文獻(xiàn)標(biāo)識碼： A
DOI：10.16157/j.issn.0258-7998.191257
中文引用格式： 肖晗，毛雪松，朱澤德. 基于HybridDL模型的文本相似度檢測方法[J].電子技術(shù)應(yīng)用，2020，46(6)：28-31，35.
英文引用格式： Xiao Han，Mao Xuesong，Zhu Zede. Text similarity detection method based on HybridDL model[J]. Application of Electronic Technique，2020，46(6)：28-31，35.
0 引言
在當(dāng)下這個信息時代，互聯(lián)網(wǎng)已經(jīng)成為人們生活中不可或缺的一部分，在機(jī)器計(jì)算能力大幅度提高的同時，獲得的數(shù)據(jù)也呈爆炸式增長。文本數(shù)據(jù)作為數(shù)據(jù)中的重要組成部分，量大且關(guān)鍵。因此，從大量的文本數(shù)據(jù)中高效地提取出滿足人們需要的信息成為了當(dāng)下的熱門話題。在自然語言處理領(lǐng)域，通過計(jì)算機(jī)處理文本數(shù)據(jù)時，由于語言的多樣性，相同的詞語在不同的句子或者語境中表達(dá)出來的意思可能會存在差異，導(dǎo)致計(jì)算機(jī)無法直接并準(zhǔn)確地獲取文本特征[1]。所以，如何從語料中學(xué)習(xí)到好的文本表示，如何提升文本表示模型的性能，對于后續(xù)自然語言處理的相關(guān)研究，如機(jī)器翻譯、文本分類[2]、情感分析[3]、問答系統(tǒng)、文本檢索等，具有十分深遠(yuǎn)的意義。
建立文本表示模型包括對詞、主題、語句、文檔等各個級別任務(wù)進(jìn)行建模。對于詞級別的文本表示模型，通常使用被稱作詞向量的數(shù)學(xué)表示方法來處理。詞向量顧名思義是一種通過向量來表示句子中詞語的方法，向量中的每一維都在實(shí)數(shù)范圍內(nèi)進(jìn)行取值操作[4]。
詞向量最早由BENGIO Y、DUCHARME R、VINCENT P等人提出[5]，其傳統(tǒng)做法是One-hot表示方法，即將不同詞用相對應(yīng)的維度很高的向量來表示，其中，向量的維度對應(yīng)字典大小，在各個詞的向量中只存在一個位置為1，其余位置為0。該表示模型十分簡潔，便于理解，但是由于數(shù)據(jù)稀疏會造成維數(shù)災(zāi)難，并且該模型沒有考慮詞與詞之間的關(guān)聯(lián)性，準(zhǔn)確度不高。
近年來，被稱作詞的分布式表示的向量表示得到了較為廣泛的應(yīng)用，理論思路是通過訓(xùn)練，將句子中的各詞語映射到N維向量空間中。該方法在One-hot的基礎(chǔ)上，聯(lián)系了前后文的語義信息，使語義相近詞語所映射得到的詞向量比較接近，而One-hot法得到的是毫無關(guān)聯(lián)的詞向量。即可以通過詞與詞在空間中的距離計(jì)算詞與詞在語義上的相關(guān)性，距離越小則語義越相關(guān)，距離越大則越無關(guān)。2013年，MIKOLOV T等人提出利用神經(jīng)網(wǎng)絡(luò)模型來訓(xùn)練分布式詞向量[6]，所得到的模型被稱作Word2Vec，該模型可以通過前后文的詞匯預(yù)測中心詞或者通過中心詞來預(yù)測前后文的詞匯。它相當(dāng)于一個里程碑，現(xiàn)在也被廣泛使用。Doc2Vec是Word2Vec的擴(kuò)展，于2014年由MIKOLOV T等人提出[7]，同樣用于學(xué)習(xí)文檔表示。該模型在構(gòu)建的過程中，在獲取上下文單詞信息的同時，增加了一個段落標(biāo)記，能夠更精確地表示原始文本。但是在實(shí)際應(yīng)用中Doc2Vec需要大量數(shù)據(jù)進(jìn)行訓(xùn)練才能有較好的效果，當(dāng)數(shù)據(jù)量不足時，提取信息不充分，結(jié)果產(chǎn)生的偶然性較大。
主題模型由于可以發(fā)掘深層次的語義信息，因此在構(gòu)建文本表示模型時也可以達(dá)到較好的效果。2003年BLEI D M、JORDAN M I等人提出了潛在狄利克雷分布[8]，首次將狄利克雷先驗(yàn)分布加入到文檔、主題、詞的多項(xiàng)式分布中，效果顯著。LDA是一種從大量文檔中發(fā)現(xiàn)潛在主題的概率主題模型，它從文本的統(tǒng)計(jì)學(xué)特性入手，將文本語料庫映射到各個主題空間中，從而發(fā)掘文本中各主題與詞語之間的對應(yīng)關(guān)系，得到文本的主題分布[9]。它通常被認(rèn)為是一種通過對不同主題中的單詞進(jìn)行分組的特征約簡方法，因此可以將文檔映射到更低的維度空間。但LDA沒有考慮詞語的前后文關(guān)聯(lián)，構(gòu)建出的文本向量比較稀疏，在表示原始文本的信息方面效果一般。
本文嘗試將LDA和Doc2Vec進(jìn)行融合。LDA從每個文檔到所有主題的全局關(guān)系建模，而Doc2Vec則通過從目標(biāo)單詞的上下文中學(xué)習(xí)來捕獲這些關(guān)系。發(fā)揮這兩種模型各自的優(yōu)點(diǎn)，從而產(chǎn)生比傳統(tǒng)模型更高的準(zhǔn)確率判斷。
論文詳細(xì)內(nèi)容請下載http://www.jysgc.com/resource/share/2000002836
作者信息:
肖 晗1，毛雪松1，朱澤德2
(1.武漢科技大學(xué) 信息科學(xué)與工程學(xué)院，湖北 武漢430081；
2.中科院合肥技術(shù)創(chuàng)新工程院，安徽 合肥230031)