雷鋒網(wǎng) AI 科技評(píng)論按：類比推理是反映語(yǔ)言規(guī)則的一種高效方式，本文將介紹一種漢語(yǔ)語(yǔ)言推理任務(wù)，論文作者來(lái)自北京師范大學(xué)和中國(guó)人民大學(xué)，論文題為：漢語(yǔ)形態(tài)語(yǔ)義關(guān)系的類比推理（論文地址：http://aclweb.org/anthology/P18-2023）。該論文在 ACL 2018大會(huì)上發(fā)表，相關(guān)資源在Github發(fā)布后獲得了超過(guò)2000星好評(píng)。雷鋒網(wǎng)將論文內(nèi)容概括如下（感謝論文作者對(duì)本文的審核和修改）。

類比推理可以很好地刻畫語(yǔ)言規(guī)則，舉例說(shuō)明，「人」等價(jià)于person，「人人」則等價(jià)于英文的 every person，那么如果「天」代表 day，我們就可以類比推理「天天」代表 every day。目前類比推理也是評(píng)估詞嵌入的一個(gè)可靠方法。類比推理還可以用于詞形轉(zhuǎn)換、語(yǔ)義關(guān)系探測(cè)和翻譯未知詞等任務(wù)。但是不同語(yǔ)言之間擁有很大的形態(tài)差異，類比推理針對(duì)各個(gè)語(yǔ)言的研究也不盡相同。以漢語(yǔ)來(lái)說(shuō)，漢語(yǔ)是公認(rèn)的缺乏詞形變化的分析性語(yǔ)言。目前漢語(yǔ)類比推理的相關(guān)工作也屈指可數(shù)，僅有的中文類比數(shù)據(jù)集也只是英文數(shù)據(jù)集的部分翻譯，且數(shù)據(jù)規(guī)模較小，只包含 134個(gè) 中文詞，并且不涉及到任何語(yǔ)法知識(shí)。因此，作者團(tuán)隊(duì)決定深入研究漢語(yǔ)類比推理，并且發(fā)布了一個(gè)標(biāo)準(zhǔn) benchmark 用以評(píng)估中文詞嵌入（附帶 100 多個(gè)開源預(yù)訓(xùn)練嵌入）。

在詞法關(guān)系方面，作者主要研究了兩個(gè)內(nèi)容，一是重疊（Reduplication），二是半詞綴（Semi-affixation）。所謂重疊就是詞語(yǔ)中的部分漢字以一定的形式發(fā)生重疊，從而引起語(yǔ)法或語(yǔ)義差異，作者總結(jié)出六種重疊模式，如下圖所示。

以 A-A 為例，對(duì)于漢語(yǔ)中的名詞來(lái)說(shuō)，這種結(jié)構(gòu)可以表示“親屬關(guān)系”（爸->爸爸）或者表示“每一個(gè)”（天->天天），對(duì)于動(dòng)詞來(lái)說(shuō)，這種結(jié)構(gòu)可以表示動(dòng)作時(shí)間短暫或嘗試（看->看看），這種結(jié)構(gòu)還能將形容詞轉(zhuǎn)為副詞（深->深深）。

由于漢語(yǔ)缺乏典型的詞綴，一些成分既發(fā)揮了類似詞綴的作用同時(shí)又能當(dāng)作獨(dú)立使用的語(yǔ)素，這些成分按劉月華老師的觀點(diǎn)稱之為半詞綴。目前作者團(tuán)隊(duì)總結(jié)了 21 個(gè)半前綴，和 41 個(gè)半后綴。例如，半前綴可以將數(shù)詞變?yōu)樾驍?shù)詞，如「第」（一->第一），半后綴還有將形容詞名詞化的能力，如「子」（胖->胖子）

在語(yǔ)義關(guān)系方面，作者團(tuán)隊(duì)從地理、歷史、自然和人物四個(gè)方面提出了 28 種語(yǔ)義關(guān)系。舉個(gè)地域方面的例子，「浙江」是省名，「浙」是「浙江」簡(jiǎn)稱，「杭州」是「浙江」省會(huì)，「越劇」是「浙江」代表戲劇，這就是他們之間的語(yǔ)義關(guān)系。通過(guò)語(yǔ)義關(guān)系可以形成類比問(wèn)題（如「皖」是「安徽」的省會(huì)，那么「浙」是哪個(gè)省的省會(huì)？）。

為了滿足漢語(yǔ)類比推理任務(wù)的要求，作者團(tuán)隊(duì)自建了 CA8 數(shù)據(jù)集（共17813 個(gè)問(wèn)題），包含大量的類比問(wèn)題，對(duì)語(yǔ)法和語(yǔ)義都有涉及。CA8 相較于之前翻譯自英文數(shù)據(jù)集的 CA_translated 有很大改進(jìn)。如下圖所示。

最后，作者的實(shí)驗(yàn)基于 68 種形態(tài)關(guān)系和 28 種語(yǔ)義關(guān)系，他們采用基于詞向量的計(jì)算方法來(lái)挑戰(zhàn)這個(gè)任務(wù)。實(shí)驗(yàn)結(jié)果表明，向量表示模型、上下文特征和訓(xùn)練語(yǔ)料庫(kù)都對(duì)漢語(yǔ)類比推理有重要影響。同時(shí)實(shí)驗(yàn)也證明了 CA8 的確是評(píng)價(jià)漢語(yǔ)詞嵌入的可靠 benchmark。 CA8 和同期發(fā)布的上百種中文詞向量資源將成為漢語(yǔ) NLP 任務(wù)的堅(jiān)實(shí)基礎(chǔ)。論文相關(guān)資源和代碼在Github發(fā)布以來(lái)，已獲得超過(guò)2000星，是今年NLP領(lǐng)域最受歡迎的項(xiàng)目之一。

以上就是雷鋒網(wǎng)對(duì)于這篇論文的全部介紹。

詳情請(qǐng)查看論文：http://aclweb.org/anthology/P18-2023 

Github項(xiàng)目：https://github.com/Embedding/Chinese-Word-Vectors

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。