安見才讓

（青海民族大學(xué)計(jì)算機(jī)學(xué)院，西寧810007）

1 引 言

信息社會(huì)的發(fā)展，使電子書、網(wǎng)上圖書館以及網(wǎng)頁(yè)等種類繁多的信息平臺(tái)不斷出現(xiàn)，供人們使用。這些平臺(tái)上的信息主要是通過鍵盤錄入、圖像掃描等方式輸入到計(jì)算機(jī)的。在輸入過程中，任何一種方式都無法保證存入的信息準(zhǔn)確無誤，校對(duì)技術(shù)，作為確保準(zhǔn)確輸入信息的一種專業(yè)性技術(shù)，便顯示出其重要性來。

國(guó)外研究在英文文本校對(duì)方面取得了一定成果，部分成果實(shí)現(xiàn)了商品化。英文校對(duì)一般分為兩部分[1]，一是針對(duì)英語單詞內(nèi)部出現(xiàn)的拼寫錯(cuò)誤，主要采用最小編輯距離技術(shù)、相似鍵技術(shù)等六種方法來實(shí)現(xiàn)[2]；二是對(duì)句子中出現(xiàn)的單詞正確但用法錯(cuò)誤的情況進(jìn)行校正，主要采用自然語言處理和統(tǒng)計(jì)語言模型技術(shù)（SLM）解決。由于漢語與英語在語言本身及文本輸入方式上均存在較大差異, 因而漢語的文本校對(duì)系統(tǒng)所采用的策略及技術(shù)，與英文校對(duì)系統(tǒng)有一定的差異?，F(xiàn)今普遍采用的技術(shù)有：詞切分技術(shù)[3]、近似集模糊匹配技術(shù)[4-5]、語法分析及語義分析技術(shù)等[6]。國(guó)內(nèi)對(duì)文本校對(duì)方面的研究始于上世紀(jì)90 年代初期，但發(fā)展速度較快，其中藏文字的主要校對(duì)方法采用字典匹配法進(jìn)行。文獻(xiàn)[7]詳細(xì)描述了藏文的文法并根據(jù)藏文文法提出了基于分段的藏文校對(duì)方法。隨著深度學(xué)習(xí)方法的發(fā)展，一些神經(jīng)網(wǎng)絡(luò)模型也被成功應(yīng)用于藏文字的校對(duì)任務(wù)。

2 藏文字校對(duì)神經(jīng)網(wǎng)絡(luò)模型架構(gòu)

2.1 藏文字母向量化

利用神經(jīng)網(wǎng)絡(luò)模型處理藏文字校對(duì)問題，首先需要將字母向量化表示?？墒褂靡粋€(gè)特定維度的特征向量代表藏文字母。字母向量可以刻畫字母與字母在語義和語法上的相關(guān)性，并作為藏文字母特征成為神經(jīng)網(wǎng)絡(luò)的輸入。使用訓(xùn)練語料集中的所有字母建立一個(gè)大小為d×N 的藏文字字典矩陣，d 是字向量的維度，N 是字典的大小，以此構(gòu)造一個(gè)字母到字母嵌入的查找表，將輸入的藏文字母轉(zhuǎn)換為字母嵌入向量，作為模型的輸入。研究表明，使用大規(guī)模無監(jiān)督學(xué)習(xí)得到的字母向量作為輸入矩陣的初始值比隨機(jī)初始化有著更優(yōu)的效果。此處使用word2vec[8]在藏文語料庫(kù)預(yù)訓(xùn)練獲得字母向量，取值d＝300，N＝152。

2.2 藏文字校對(duì)模型構(gòu)建

在此創(chuàng)建名為BiGtCFCMTC（BiGRU three CNN FC Modle of Tibetan Checking，雙向GRU 三卷積全連接網(wǎng)絡(luò)）的模型。

藏文字校對(duì)任務(wù)通?？梢哉J(rèn)為是判斷基于藏文字母序列組合的合法性的任務(wù)。藏文字中一般最多有7 個(gè)藏文字母，7 個(gè)字母之間有嚴(yán)格文法規(guī)定，它們之間的組合關(guān)系非常緊密，前面的字母會(huì)影響到后面字母的選擇，同時(shí)，后面字母的出現(xiàn)也影響著前面字母的選擇。所以，為抽取其相互關(guān)系的語義在此采用雙向GRU。

藏文字經(jīng)過循環(huán)網(wǎng)絡(luò)GRU 語義抽取后，對(duì)其輸出部分分別進(jìn)行拼接，形成新的語義矩陣M7×300。然后，用三個(gè)大小分別為 2×300、3×300、4×300 卷積核作卷積和池化運(yùn)算，所得結(jié)果作連接成向量，作全連接并用Softmax 函數(shù)進(jìn)行歸一化處理。藏文字校對(duì)模型框架如圖1 所示。

2.3 雙向雙層GRU 神經(jīng)網(wǎng)絡(luò)模型

雙向GRU 的目的是解決單向GRU 無法處理后文信息的問題。單向的GRU 只能在一個(gè)方向上處理數(shù)據(jù)，雙向GRU 的基本思想則是提出每一個(gè)訓(xùn)練序列向前和向后分別是兩個(gè)循環(huán)神經(jīng)網(wǎng)絡(luò)，且這兩個(gè)網(wǎng)絡(luò)都連接著一個(gè)輸出層。圖2 展示的即是一個(gè)沿著時(shí)間展開的改進(jìn)雙向雙層GRU 神經(jīng)網(wǎng)絡(luò)模型（Bi-GRU），可用來獲得字母序列的標(biāo)注信息。Bi-GRU 轉(zhuǎn)化函數(shù)如下：

圖1 藏文字校對(duì)模型框架

圖2 雙向雙層GRU 神經(jīng)網(wǎng)絡(luò)模型

向后推算（backwardpass）：

需要注意的是，一個(gè)現(xiàn)代藏文字最多7 個(gè)字母，向后推算部分是從最后一個(gè)字母開始，即t 從6遍歷至0。

向前推算（forwardpass）：

向前推算與后向推算部分類似，向量上的箭頭方向相反，而且它是從句子的第一個(gè)詞掃描至最后一個(gè)字母，在7 字母的情況下，則t 從0 遍歷至6。公式如下：

在向前推算中輸入向量由兩個(gè)向量組合而成：向前推算第t 個(gè)字母的向量xt和后向推算第6 個(gè)字母到第t 個(gè)字母積累的歷史信息的串聯(lián)拼接。

在藏文字校對(duì)中，這個(gè)模塊的輸入為藏文字的第一個(gè)字母到最后一個(gè)字母，最多有7 個(gè)字母，達(dá)不到7 個(gè)字母用-1 補(bǔ)齊。經(jīng)雙向GRU 處理后，輸出為 hi（hi∈R1×d, d ＝300, 0≤i≤6），把 hi全部拼接后得到矩陣 M7×300：

2.4 卷積神經(jīng)網(wǎng)絡(luò)模型

對(duì)藏文字局部特征的提取可利用CNN 來完成。CNN 是一種前饋神經(jīng)網(wǎng)絡(luò)，其模型結(jié)構(gòu)主要包括輸入層、卷積層、池化層、全連接層和輸出層幾部分。

在輸入層操作中，雙向雙層GRU 神經(jīng)網(wǎng)絡(luò)的輸出 hi拼接成矩陣 M7×300（hi∈R1×300，其中，1 表示一個(gè)字母，300 是字母向量維度）作為輸入，特征向量為hi包含了第i 字母前后的全部語義特征。

卷積操作主要完成特征提取的工作。藏文字中一般前2 個(gè)、3 個(gè)和4 個(gè)字母之間需要嚴(yán)格遵守文法的規(guī)定，元音和后兩個(gè)字母相對(duì)比較簡(jiǎn)單不易出錯(cuò)。所以，通過設(shè)置大小為 2×300、3×300 和 4×300的濾波器 ω0、ω1、ω2來完成對(duì)輸入藏文字特征的提取，如下式：

其中，ωi（0≤i≤2）是卷積核，Mj:j+i+1是 j 到 j+i+1 個(gè)字母組成的向量，b 是偏置項(xiàng)，通過卷積層后，得到特征矩陣 Ji（0≤i≤2），具體為 Ji＝[ci0,ci1,ci2,ci3,ci4,ci5,ci6]。

通過卷積層之后得到的字向量特征矩陣Ji比較小，所以沒有池化層。在此把卷積后特征進(jìn)行水平拼接：

此處，J 包含 3 次卷積×7 個(gè)元素/卷積＝21 個(gè)元素。

再將3 次卷積后所得的特征J 作為輸入，作全連接運(yùn)算，并作Softmax 運(yùn)算：

其中，w為全連接權(quán)重，n 為偏移項(xiàng)，p 只有兩個(gè)值。

2.5 損失函數(shù)

采用反向傳播機(jī)制，使用自適應(yīng)學(xué)習(xí)率的隨機(jī)梯度下降算法來訓(xùn)練模型中的權(quán)重矩陣和偏置項(xiàng)，通過最小化交叉熵來優(yōu)化模型。交叉熵代價(jià)函數(shù)為：

其中，r 為訓(xùn)練數(shù)據(jù)集大?。籧 為類別數(shù)，此處值為2；y 為預(yù)測(cè)類別為實(shí)際類別；λ2||θ||2為 L2正則項(xiàng)。

設(shè)置損失閾值T，當(dāng)損失函數(shù)Lloss小于T 時(shí)，視為模型收斂。在此收斂狀態(tài)下的參數(shù)優(yōu)化情況得到BiGtCFCMTC 模型的最優(yōu)權(quán)值，使用測(cè)試文本集來對(duì)此時(shí)的最優(yōu)化模型進(jìn)行驗(yàn)證，再通過對(duì)比分類器精度和泛化能力來評(píng)估改進(jìn)算法的性能。

3 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)使用的藏語語料由青海民族大學(xué)藏文信息處理與軟件研究所提供。此語料是中國(guó)西北五省區(qū)藏區(qū)初中藏語文教材中的課文, 測(cè)試語料包含了73155 個(gè)藏文字，其中，正樣本占55.1%，負(fù)樣本占44.9%。

首先，用人工方式對(duì)訓(xùn)練語料采用前文所述方法進(jìn)行預(yù)處理。實(shí)驗(yàn)采用TensorFlow2.0 框架，構(gòu)建上述神經(jīng)網(wǎng)絡(luò)模型，并使用語料訓(xùn)練網(wǎng)絡(luò)的權(quán)值，不斷迭代，直到算法收斂。實(shí)驗(yàn)在內(nèi)存為16GB、GPU內(nèi)存為8 GB 的Windows 系統(tǒng)上進(jìn)行。程序采用Python 語言進(jìn)行編程模型中的超參數(shù)：上下文窗口長(zhǎng)度 k ＝3，藏文字母向量長(zhǎng)度 d ＝300，隱藏層單元數(shù) h ＝ 128，初始學(xué)習(xí)率 α ＝ 0.1，Dropount 比率 p ＝0.5，Batchsize 值為 128。

使用上述方法在語料中進(jìn)行實(shí)驗(yàn)，對(duì)藏文的字母標(biāo)注結(jié)果用標(biāo)準(zhǔn)bake-off 打分程序來計(jì)算準(zhǔn)確率P，召回率R。準(zhǔn)確率和召回率的調(diào)和平均值F。經(jīng)實(shí)驗(yàn)，所提出的新模型BiGTCFCMTC 的藏文字校對(duì)準(zhǔn)確率為93.95%，召回率為94.17%，F(xiàn) 值為94.06%。

4 結(jié) 束 語

新提出的藏文字檢錯(cuò)雙向GRU 三卷積全連接網(wǎng)絡(luò)模型在73155 個(gè)藏文字語料上進(jìn)行實(shí)驗(yàn)，獲得較為理想的結(jié)果。實(shí)際工作中，模型憑借GPU 的運(yùn)算能力可大大縮短深度神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練時(shí)間，該網(wǎng)絡(luò)模型的方法也更容易推廣應(yīng)用到其他NLP中序列標(biāo)注的任務(wù)，具有一定的通用性和實(shí)用價(jià)值。