100+中文词向量，总有一款适合你

【导读】这个项目提供了大量的中文预训练词向量。包含多种representations(包括dense和sparse)、多种词粒度(word、ngram、char等)，多种窗口大小，多种语料(百度百科、人民日报等)训练出的Word Embedding。总有一款适合你。此外，该项目还提供了一个中文类比推理数据集CA8以及一个能够评估词向量质量的工具。

编译 | 专知

参与 | Yukun, Huaiwen

Chinese Word Vectors 中文词向量

WordEmbedding格式

项目中预训练的向量文件采用文本格式。每一行包含一个词和它的向量。向量的每个值用空格隔开。文件第一行记录的是元信息:第一个数字表示文件中词的数量，第二个数字表示词向量维度的大小。

除了dense词向量(用SGNS训练)，我们还提供sparse向量(用PPMI训练)。它们与liblinear的格式是相同的，在“:”之前的数字表示维度索引，在“:”之后的数字表示其值。

多种Representations

现有的词表示方法分为两类：dense表示和sparse表示。 SGNS模型和PPMI模型分别是这两类表示的典型方法。 SGNS模型通过浅层神经网络训练低维密集向量, 这种方法也被称为神经嵌入方法。 PPMI模型是一种稀疏的特征表示，即正点互信息(positive-pointwise-mutual-information)。

多种上下文特征

三种上下文特征：词、ngram和字符，这三种上下文特征经常在词向量表示的文献中出现。 大多数单词表示方法主要利用词与词之间的共现统计数据，即使用词作为上下文特征。受语言模型问题的启发，我们在上下文中引入了ngram特征。词与词和词与ngram的共现统计数据通常一起用来训练。对于中国人来说，字符通常表达强烈的语义。在最后，我们使用词与词和词与ngram共现统计数据来学习单词向量。字符的ngram的长度通常在1到4之间。

除了单词，ngram和字符之外，还有其他对词向量产生影响的特征。 例如，使用整个文本作为上下文特征可以将更多的内容信息融入到词向量; 使用依赖关系解析作为上下文特征可以为词向量添加语法约束。本项目考虑了17种同现类型。

多种上下文信息

词向量通常是基于一个词来预测其上下文(skip-gram)，在一些相关论文中通常被称为输入和输出向量。在这一步部分，我们设置了多种上下文供你选择。

所有向量由SGNS以百度百科为数据集进行训练。

多种语料

该项目收集了大量语料，所有文本数据在预处理中删除了html和xml标签，只保留了纯文本信息，并且使用HanLP（v_1.5.3）进行分词。语料的详细信息如下所示：

工具包

所有的词向量都由ngram2vec工具包进行训练。Ngram2vec工具包是由word2vec和fasttext工具包结合起来进行构造，支持抽取任意上下文特性。

• 评价dense vectors：

$ python ana_eval_dense.py -v <vector.txt> -a CA8/morphological.txt
$ python ana_eval_dense.py -v <vector.txt> -a CA8/semantic.txt

• 评价sparse vectors：

$ python ana_eval_sparse.py -v <vector.txt> -a CA8/morphological.txt
$ python ana_eval_sparse.py -v <vector.txt> -a CA8/semantic.txt

中文词类比基准

词向量的质量通常通过类比问题进行评估，在这个项目中，评估过程采用两个基准。第一个是CA-translated，其中大多数类比问题直接从英语基准转换而来。虽然CA-translated已被广泛用于许多中文单词表示论文，但它只包含三个语义问题的问题并且只包含了134个中文单词。相比之下，CA8是专门为中文而设计的。它包含了17813个类比问题，并且包含了复杂的词法和语义关系。 CA-translated和CA8及它们的详细描述在testsets文件夹中可以看到。

参考：

Shen Li, Zhe Zhao, Renfen Hu, Wensi Li, Tao Liu, Xiaoyong Du, Analogical Reasoning on Chinese Morphological and Semantic Relations, ACL 2018.

链接：

https://github.com/Embedding/Chinese-Word-Vectors

更多教程资料请访问：专知AI会员计划

-END-