王 偉，趙爾平，崔志遠(yuǎn)，孫 浩

（西藏民族大學(xué)信息工程學(xué)院，陜西咸陽 712082）

0 引言

近年來，隨著自然語言處理（Natural Language Processing，NLP）與人工智能（Artificial Intelligence，AI）的迅速發(fā)展與廣泛應(yīng)用，命名實(shí)體消歧作為自然語言處理的關(guān)鍵環(huán)節(jié)，在信息檢索、知識(shí)庫及知識(shí)圖譜構(gòu)建等方面發(fā)揮著越來越重要的作用。命名實(shí)體消歧旨在解決實(shí)體指稱間的歧義性與多樣性，例如“冬蟲夏草”的別名分別有“夏草冬蟲”“蟲草”和“冬蟲草”，把這種表達(dá)相同實(shí)體而有多個(gè)指稱的詞語稱之為指稱多樣性。而“螃蟹甲”一詞，它一方面指代藏藥的名稱，另一方面又指代武漢的一個(gè)地名。像“螃蟹甲”這類詞稱之為多義詞，本文旨在研究多義詞的歧義消除問題。

至今，命名實(shí)體消歧主要采用聯(lián)合知識(shí)、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)等方法實(shí)現(xiàn)，其中大部分方法都是考慮全局信息，卻很少考慮局部信息。王瑞等［1］針對(duì)消歧任務(wù)，充分利用上下文以及詞向量特征信息以達(dá)到提高準(zhǔn)確率的目的。馬曉軍等［2］將消歧方法融入了局部信息來解決多義詞不能被區(qū)分的問題，但是詞向量的質(zhì)量和穩(wěn)定性沒有兼顧。楊陟卓［3］提出基于翻譯的有監(jiān)督詞義消歧方法，該種方法雖然能大幅度提高準(zhǔn)確率，但是需要大量的人工標(biāo)注語料且偽訓(xùn)練語料需要隨著消歧任務(wù)的不同而改變。王苗等［4］提出的消歧方法，通過改進(jìn)的無監(jiān)督學(xué)習(xí)并結(jié)合圖數(shù)據(jù)結(jié)構(gòu)以達(dá)到消歧的目的并取得較高準(zhǔn)確率。陳洋等［5］則針對(duì)詞向量表示的質(zhì)量問題，使用義原表示詞向量，很好地解決了詞向量表示不穩(wěn)定的問題，但是卻沒有注意到詞義混淆問題。范鵬程等［6］使用知識(shí)鏈接的方法達(dá)到了目前最好算法的F1值。很顯然有監(jiān)督學(xué)習(xí)方法雖然人工工作量大，但是消歧效果較為出眾?；跈C(jī)器學(xué)習(xí)的消歧方法，面臨的問題是需要準(zhǔn)確且質(zhì)量較高的語料庫支持，需要花費(fèi)人力標(biāo)注語料，且需要關(guān)注數(shù)據(jù)稀疏問題。目前，實(shí)體消歧任務(wù)重點(diǎn)是在上下文信息和特征信息挖掘兩個(gè)方面，缺乏在不同應(yīng)用場景下面對(duì)不同特征時(shí)區(qū)分實(shí)體能力的差異分析。在低頻詞方面，使用詞向量進(jìn)行消歧時(shí)由于詞頻低導(dǎo)致訓(xùn)練不充足，使得詞向量表示的質(zhì)量得不到保證。在語義表示方面，缺乏結(jié)合上下文語義綜合考慮多義詞的多方面特征，未能將詞語多個(gè)語義特征按權(quán)重值融合使用。譬如，西藏畜牧業(yè)領(lǐng)域有上千種牧草名和幾百種動(dòng)物名，包括大量音譯詞、合成詞、生僻詞等類型低頻詞。例如“雪蓮花”一詞，在大多數(shù)語料庫中都屬于低頻詞，該詞義項(xiàng)包含兩類：一類屬歌曲，一類屬藏藥。多義詞方面例如“我今天在阿里吃的飯”這句話中“阿里”一詞可能指西藏阿里地區(qū)，也有可能指“阿里巴巴”公司。

針對(duì)命名實(shí)體消歧過程中存在問題，本文提出基于HSWR-W 2c（HowNet-Sememe Word embedding Representation-Word2vec）詞向量表示的多特征融合消歧方法。通過兩種詞向量融合表示來解決單一詞向量表示低頻詞質(zhì)量差、不穩(wěn)定和多義詞的詞義混淆問題。為了體現(xiàn)每一類特征在消歧過程中發(fā)揮的不同作用，提出三類不同詞向量特征加權(quán)融合的消歧方法，以解決消歧過程中因詞向量攜帶信息量少、語義特征單一而導(dǎo)致的準(zhǔn)確率不高的問題，并引入主題特征彌補(bǔ)以往消歧任務(wù)未能獲取局部特征的缺陷。

1 相關(guān)工作

Word2vec（Word to vector）是一款開源詞向量生成工具，被廣泛應(yīng)用于圖像處理、知識(shí)挖掘、自然語言處理等領(lǐng)域。由于中文詞語多元與復(fù)雜性，導(dǎo)致Word2vec在自然語言處理方面的應(yīng)用效果不盡如人意，為此李小濤等［7］為了提高語義相似度計(jì)算精度提出一種改進(jìn)算法，彌補(bǔ)Word2vec生成的向量不能區(qū)別多義詞的缺陷。近年，面對(duì)中文語言的多變性與詞語的多義性，很多學(xué)者從向量的使用到向量的改進(jìn)做了一系列研究工作。張春祥等［8］利用鄰近詞的詞性、詞形等相關(guān)信息作為特征融入消歧任務(wù)中，取得了較好的效果。

詞義消歧方面張雄等［9］采用融合多個(gè)特征的方法，達(dá)到對(duì)于信息的充分挖掘，實(shí)現(xiàn)人名消歧。大部分學(xué)者采用機(jī)器學(xué)習(xí)進(jìn)行詞義消歧［10］，例如王旭陽等［11］通過對(duì)于上下文信息的充分挖掘，并結(jié)合機(jī)器學(xué)習(xí)達(dá)到消歧的目的。Mikolov等［12］則揭示連續(xù)空間詞表征中的語言規(guī)律，使得語境信息能更好地融入。郭宇飛等［13］根據(jù)同一個(gè)詞在不同的上下文環(huán)境下可以形成不同的框架，提出了一種基于框架的消歧方法。Huang等［14］則是通過對(duì)百度百科全書網(wǎng)頁的抓取，產(chǎn)生多義、同義和索引集合，經(jīng)過訓(xùn)練后確定文本相關(guān)性，并在MongoDB（Mongo Data Base）中管理實(shí)體。除了常見的消歧方法，Chen等［15］通過結(jié)合詞義對(duì)模型改造，在中大型文件消歧方面也取得了不錯(cuò)的效果。林澤斐等［16］將多特征與實(shí)體鏈接技術(shù)結(jié)合實(shí)現(xiàn)詞義消除。曾健榮等［17］則針對(duì)專家?guī)鞓?gòu)建過程中的同名歧義問題，融合已發(fā)表論文中的多種特征從而解決了同名消歧問題。

2 義原與Word2vec詞向量及融合表示

2.1 HowNet及其義原

知網(wǎng)（HowNet）是一個(gè)解釋詞語概念與屬性間關(guān)系的知識(shí)庫。義原是知識(shí)庫中不能再分割的最小的單位［18］，所以在知網(wǎng)知識(shí)庫中每一個(gè)詞語都可以使用若干義原表示。也正是HowNet的這種多義原表示方法，使其能夠突破詞語本身，從而更加深入了解詞語背后的意義。這種結(jié)構(gòu)化的知識(shí)網(wǎng)絡(luò)體系，使得知識(shí)對(duì)于計(jì)算機(jī)而言是可操作的，正是因?yàn)檫@一點(diǎn)，知網(wǎng)中的義原詞才能夠表示為可以操作使用的詞向量。由于HowNet知識(shí)庫中有關(guān)于西藏畜牧業(yè)領(lǐng)域的記錄較少，所以本文對(duì)知識(shí)庫進(jìn)行了擴(kuò)充。擴(kuò)充示例內(nèi)容如下：｛NO.=120497；W_C=螃蟹甲；G_C=N；E_C=；W_E=Crab carapace；G_E=N；E_E=；DEF=Tibetan Medicine|藏藥，street|街道｝。其中：NO.在知識(shí)庫中表示序號(hào)；W_C、G_C、E_C表示中文信息，分別代表詞語、詞性以及舉例；W_E、G_E、E_E表示英文信息，分別代表英文的詞語、詞性以及舉例；DEF為詞語詮釋，即詞語的不同義原。

2.2 基于HowNet義原的詞向量表示

基于HowNet義原的詞向量表示（HowNet-Sememe Word embedding Representation，H-SWR）流程大致有兩個(gè)步驟：首先對(duì)義原進(jìn)行向量化；其次融合目標(biāo)詞的若干義原詞向量生成目標(biāo)詞向量。具體表示過程如下。

首先，使用隨機(jī)初始化的方法將義原初始化為一個(gè)義原矩陣Msememe，其次，將義原矩陣進(jìn)行預(yù)處理（施密特正交化、單位化）后得到正交單位矩陣Mdefo：

式（1）中Mdefo是 一 個(gè)n×m的 義 原 矩 陣，其 中(α1，α2，…，αn)為對(duì)應(yīng)義原向量的n組標(biāo)準(zhǔn)正交單位基，其中每個(gè)義原向量為m維。由于在HowNet中每一個(gè)詞語由若干義原解釋，所以可以把目標(biāo)詞看成其對(duì)應(yīng)義原詞向量在其向量子空間的投影。最后，在完成義原的詞向量表示后，目標(biāo)詞語的詞向量便可使用義原向量的加權(quán)平均表示，表示公式如式（2）所示：

式（2）中α為目標(biāo)詞對(duì)應(yīng)義原詞向量表示，m為當(dāng)前目標(biāo)詞的義原數(shù)量。對(duì)于義原向量與義原的對(duì)應(yīng)關(guān)系，本文采用建立索引的方法，即每一個(gè)義原向量及其對(duì)應(yīng)義原建立“semid”，其中一個(gè)義原的sem對(duì)應(yīng)一個(gè)義原向量的“id”，通過“id”再進(jìn)行l(wèi)ook-up操作，以此確定它們的對(duì)應(yīng)關(guān)系。

語料訓(xùn)練方面，本節(jié)以“藏醫(yī)藏藥雪蓮花作為藥物”句子為例，空格為詞語之間的分隔符，待預(yù)測詞語為“雪蓮花”?；诹x原生成的詞向量訓(xùn)練過程如圖1所示。

圖1 基于義原的詞向量表示Fig.1 Word embedding representation based on sememe

示例中根據(jù)窗口大小找到左右各兩個(gè)詞語的id，再根據(jù)id找到標(biāo)注的義原，義原生成義原向量，最后借助式（2）和上下文表示層得到標(biāo)準(zhǔn)詞向量表示并通過輸出層輸出。圖1中上下文表示層定義如式（3）所示：

其中：Ci為目標(biāo)詞上下文詞向量，δ為定義的窗口大小。訓(xùn)練方式與連續(xù)詞袋（Continuous Bag Of Words，CBOW）模型相似，指定窗口大小為5，維度為100。由于基于義原生成的詞向量是借助于有知識(shí)基礎(chǔ)的模型上計(jì)算得出，所以蘊(yùn)含大量語言學(xué)知識(shí)，即使在大規(guī)模語料中也能表現(xiàn)出較好的穩(wěn)定性，并且生成的詞向量只受義原信息的約束，所以在低頻詞表示方面表現(xiàn)出色，但這也導(dǎo)致其在詞義區(qū)分方面尚有不足，存在詞義混淆的弊端。

2.3 基于Word2vec的詞向量表示

詞向量的表示方法中，One-hot最為直觀簡潔，這種表示方法較為簡單，由數(shù)字1與0組成，向量長度為文本詞的個(gè)數(shù)且數(shù)字“1”唯一，但是該種方法會(huì)帶來數(shù)據(jù)稀疏問題，尤其在維度較大時(shí)不宜采用。另一種詞向量表示方法為分布式表示，對(duì)比One-hot方法，該方法將詞映射在向量空間以解決數(shù)據(jù)稀疏的問題，一般訓(xùn)練維度在100～300維，能較好地體現(xiàn)詞語間的相關(guān)性與依賴性，所以在詞向量的表示過程中一般都是采用分布式的辦法。

比較Word2vec的兩種模型，CBOW模型在語義表示方面效果更優(yōu)，所以本文選用CBOW模型。訓(xùn)練參數(shù)窗口大小設(shè)置為5，同時(shí)為了詞向量的融合表示，訓(xùn)練維度與2.2節(jié)維度保持一致。假設(shè)輸入詞序列為C=(x1，x2，…，xn)的情況下，CBOW目標(biāo)函數(shù)定義如下：

其中：m為窗口大小，n為詞數(shù)，xi為預(yù)測目標(biāo)詞。P為上下文已知的xi的概率，通過softmax函數(shù)計(jì)算：

其中：wi為中心詞的詞向量表示，wo為wi的上下文詞語的詞向量的均值。

向量訓(xùn)練過程中采用隨機(jī)梯度上升法將目標(biāo)函數(shù)最大化，再經(jīng)過語料庫整體的訓(xùn)練，最終得到詞典庫中每個(gè)詞對(duì)應(yīng)的詞向量。由于CBOW模型生成的詞向量是經(jīng)過充分的訓(xùn)練而獲得的，所以在語義表示與區(qū)分方面十分出色，但是也存在低頻詞表示質(zhì)量較差、在大規(guī)模語料中表示不穩(wěn)定等問題。以“鼠兔”一詞為例，在領(lǐng)域語料中出現(xiàn)的頻率不足萬分之一，在普通語料中更低，使得機(jī)器對(duì)其學(xué)習(xí)不充足而導(dǎo)致上述問題。

2.4 詞向量加權(quán)融合

詞向量表示方面，基于Word2vec生成的詞向量在詞語語義表示方面十分出色，但是這種通過機(jī)器訓(xùn)練和依賴數(shù)據(jù)驅(qū)動(dòng)的方法，使詞向量表示在低頻詞方面質(zhì)量不高，且在語料較大時(shí)生成詞向量的性能不穩(wěn)定。而依賴HowNet知識(shí)庫義原生成的詞向量，雖然能較好解決上述問題，但是在詞義區(qū)分方面尚有不足，存在詞義混淆的問題。針對(duì)單一模型訓(xùn)練的詞向量表示詞義混淆、質(zhì)量差以及穩(wěn)定性等問題，采用兩種詞向量加權(quán)融合的表示方式，取長補(bǔ)短，彌補(bǔ)單一詞向量表示的不足。本文采用線性歸一化的方法融合詞向量，其中基于HSWR生成的詞向量定義為WHownet，基于Word2vec生成的詞向量定義為WWord2vec。融合向量表示公式定義如式（6）表示：

其中式（6）中的符號(hào)⊕為各向量逐元素相加，歸一化公式本文采用sigmoid函數(shù)，對(duì)W進(jìn)行線性歸一化，具體公式如下：

3 實(shí)體消歧

實(shí)體消歧分為五步：1）候選實(shí)體生成；2）實(shí)體相似度計(jì)算；3）類別相似度計(jì)算；4）主題相似度計(jì)算；5）三類相似度融合。消歧流程如圖2所示。

圖2 消歧流程Fig.2 Disambiguation flow

本文采用無標(biāo)注的知識(shí)庫文本訓(xùn)練詞向量模型，通過訓(xùn)練將每個(gè)詞映射到詞向量空間中，兩個(gè)模型的向量分別體現(xiàn)了知識(shí)的融入和詞語在深層次的一些語義特征。其次，生成候選實(shí)體集，目的是為每一個(gè)待消歧指稱項(xiàng)提供若干個(gè)可能的候選實(shí)體以防止在消歧過程中需要查找整個(gè)知識(shí)庫而導(dǎo)致低效問題。從候選實(shí)體與背景文本中獲取指稱項(xiàng)與類別名稱，并使用兩個(gè)模型進(jìn)行向量化及融合表示以計(jì)算實(shí)體相似度與類別相似度。利用主題模型對(duì)文檔進(jìn)行訓(xùn)練，使用聚類算法對(duì)主題特征的關(guān)鍵詞進(jìn)行分類，融合詞向量對(duì)其進(jìn)行表示并計(jì)算主題相似度值。最后將三類相似度值進(jìn)行加權(quán)融合，選取最高準(zhǔn)確率的數(shù)據(jù)為結(jié)果，達(dá)到消歧目的。

3.1 候選實(shí)體生成

百度百科作為中文知識(shí)庫，它在更新中文知識(shí)方面比維基百科及時(shí)，而且能提供有助于獲取信息的結(jié)構(gòu)特征，所以本文通過百度百科獲取實(shí)體的名稱及其對(duì)應(yīng)關(guān)系。候選實(shí)體生成的具體過程如下：首先，對(duì)待消歧文檔進(jìn)行實(shí)體標(biāo)注，并將標(biāo)注出的實(shí)體作為待消歧實(shí)體；其次，根據(jù)標(biāo)注實(shí)體獲取百度百科頁面信息，同時(shí)保存百度百科中對(duì)應(yīng)的標(biāo)注實(shí)體名稱；再次，通過消歧頁面，獲取與標(biāo)注實(shí)體名稱相同但是指代不同的實(shí)體；最后，將上述與待消歧實(shí)體名稱相同的所有詞語保存作為候選實(shí)體。

3.2 待消歧實(shí)體與候選實(shí)體相似度計(jì)算

對(duì)于實(shí)體間相似度計(jì)算。首先，對(duì)待消歧文本進(jìn)行分詞以及停用詞過濾等操作；其次，根據(jù)2.4節(jié)將兩種詞向量進(jìn)行融合表示以獲得待消歧實(shí)體指稱項(xiàng)的融合詞向量表示；最后，通過候選實(shí)體信息摘要以獲取候選實(shí)體背景文本，預(yù)處理后生成候選實(shí)體融合詞向量表示。融合后的詞向量表示可以很大程度地代表這個(gè)詞。本文通過對(duì)比待消歧實(shí)體與候選實(shí)體的融合詞向量相似度來判斷二者是否具有聯(lián)系，與其他研究一樣，本文也利用余弦相似度值衡量待消歧實(shí)體與候選實(shí)體相似度，比較它們之間的依賴關(guān)系。余弦相似度計(jì)算公式如式（8）所示：

其中：c表示待消歧實(shí)體指稱項(xiàng)目詞向量，gi表示候選實(shí)體指稱項(xiàng)詞向量，式（8）結(jié)果代表待消歧實(shí)體與候選實(shí)體之間的語義依賴關(guān)系強(qiáng)弱程度，即它們之間語義關(guān)系相似程度。

3.3 實(shí)體類別特征相似度計(jì)算

實(shí)體間的包含關(guān)系又稱為上下位關(guān)系，本文借助上下位關(guān)系中的上位詞使得詞語有更多的詞義信息，將其作為實(shí)體類別特征，計(jì)算實(shí)體類別相似度。上下位關(guān)系層次結(jié)構(gòu)如圖3所示。

圖3 上下位關(guān)系Fig.3 Upper-lower relationship

圖3中可以看出“螃蟹甲”的上位詞為“藏藥”和“西藏”，也可以是“街道”和“湖北”。上位詞“藏藥”和“西藏”表示“螃蟹甲”屬于藏藥類別；上位詞“街道”和“湖北”表示“螃蟹甲”又屬于地名類別。藏藥類別與地名類別是兩個(gè)完全不同的實(shí)體類別，代表完全不同的語義。由此可見，把實(shí)體的類別特征用于實(shí)體語義消歧是非常必要的，類別特征在消歧任務(wù)中必將發(fā)揮重要作用。對(duì)于待消歧實(shí)體，本文使用聚類算法對(duì)詞向量進(jìn)行分類，并利用式（8）計(jì)算每個(gè)詞向量的空間距離，選擇離聚類中心最近的若干詞作為類別特征高頻詞語，然后在HowNet知識(shí)庫中進(jìn)行“查找”操作，查找高頻詞的若干上位詞作為類別名稱。例如“牦?！钡纳衔辉~有“牲畜”與“紀(jì)錄片”等，將它們作為“牦?！钡牟煌悇e名稱。再次，為保持候選實(shí)體類別名稱與候選實(shí)體指稱的一致性，本文選擇從百度百科詞條標(biāo)簽中獲取候選實(shí)體類別名稱，獲取的候選實(shí)體類別名稱與待消歧實(shí)體類別名稱進(jìn)行相似度比較，以計(jì)算二者相似度。例如待消歧實(shí)體“冬蟲夏草”的上位詞為“菌”與“保健品”等，而其候選實(shí)體的類別為“麥角菌科”與“藏藥”等。將候選實(shí)體每個(gè)類別名稱與待消歧實(shí)體每個(gè)類別名稱分別兩兩交叉配對(duì)，例如（菌 麥角菌科）、（菌 藏藥）、（保健品 麥角菌科）、（保健品藏藥）等類別名稱對(duì)，然后利用式（8）計(jì)算每一對(duì)詞語的相似度值。每一對(duì)相似度定義為ei，并對(duì)它們進(jìn)行排序，為每個(gè)候選實(shí)體保留一個(gè)最大相似度值，類別特征相似度公式定義如（9）所示：

3.4 實(shí)體主題特征相似度計(jì)算

潛在狄利克雷分布（Latent Dirichlet Allocation，LDA）主題模型是一個(gè)依賴于詞袋（bag of words）生成文本主題的具有三層結(jié)構(gòu)的貝葉斯概率模型。工作原理是將文檔形象化為一個(gè)詞頻向量，從而使得文本信息轉(zhuǎn)變?yōu)榭捎糜诮５臄?shù)字信息，但是這也導(dǎo)致其沒有改變?cè)~與詞之間的順序，所以本文不得不對(duì)LDA主題模型進(jìn)行適當(dāng)改進(jìn)。文章通過對(duì)不同主題的多義詞進(jìn)行標(biāo)注，使用W′=w，t對(duì)多義詞與主題特征詞語進(jìn)行聯(lián)合表示取代原先存入詞袋模型的多義詞，并通過原先模型進(jìn)行語料訓(xùn)練從而得到不同主題下的詞向量表示以解決詞序問題。同時(shí)對(duì)詞向量進(jìn)行聚類操作，使用式（8）計(jì)算向量距離，獲取離聚類中心最近的若干詞作為主題關(guān)鍵詞，使詞向量攜帶主題特征信息。具體步驟如下：

首先，對(duì)待消歧文本進(jìn)行過濾停用詞以及斷句等預(yù)處理，利用改進(jìn)的LDA主題模型對(duì)預(yù)處理文檔進(jìn)行主題建模，借助Gibbs抽樣算法選取最佳參數(shù)。其次，引用支持向量機(jī)的方法進(jìn)行聚類操作，并由上述被替換原詞袋模型的訓(xùn)練好的模型進(jìn)行分類，確定局部文字主題，并對(duì)主題文本進(jìn)行融合詞向量表示。利用K-means聚類算法實(shí)現(xiàn)分類并使用余弦相似度計(jì)算每個(gè)詞向量的空間距離，選擇距離聚類中心最近的若干詞作為主題特征關(guān)鍵詞。最后在主題關(guān)鍵詞提取過程中獲取不同主題關(guān)鍵詞集合，將不同聚類結(jié)果的關(guān)鍵詞進(jìn)行融合詞向量表示，其中詞語不同類別個(gè)數(shù)為后續(xù)主題特征個(gè)數(shù)，將在同一主題特征下的關(guān)鍵詞設(shè)為集合S，關(guān)鍵詞個(gè)數(shù)定義為m，集合中的關(guān)鍵詞定義為i，融合詞向量表示為wi(i=1，2，…，m)，候選實(shí)體摘要文本經(jīng)過分詞、去標(biāo)點(diǎn)等預(yù)處理后使用H-SWR進(jìn)行詞向量表示，再使用Word2vec進(jìn)行詞向量表示，最后融合詞向量表示定義為ni，可得主題特征相似度定義式（10）所示：

本文通過改進(jìn)的LDA主題模型，即將原先多義詞通過標(biāo)注并添加主題信息以取代原來的詞語，使得其得到的關(guān)鍵詞集合都屬于同一主題，從而較好地解決了本節(jié)開頭提出的問題。

3.5 融合三類特征相似度

為了充分利用多類特征相似度進(jìn)行實(shí)體消歧，同時(shí)也能最大限度地提高消歧準(zhǔn)確率，本文采用加權(quán)融合的方法對(duì)多類特征進(jìn)行融合。多特征融合相似度定義為：E=αE1+βE2+χE3，其中：E1表示待消歧實(shí)體與候選實(shí)體相似度，E2表示實(shí)體類別特征相似度，E3表示實(shí)體主題特征相似度。通過八組比較實(shí)驗(yàn)結(jié)果獲得一組最佳權(quán)重系數(shù)。第一組實(shí)驗(yàn)中設(shè)置α=0.1不變，β、χ初值分別為0.1和0.8，以這三個(gè)參數(shù)為權(quán)重值系數(shù)計(jì)算相似度值并記錄，之后β、χ值分別以正負(fù)0.1步長進(jìn)行調(diào)整，每次調(diào)整后的新參數(shù)作為權(quán)重值系數(shù)計(jì)算相似度值并記錄，以此類推，β、χ的終值分別為0.8和0.1，然后選取這組實(shí)驗(yàn)中相似度值最大的那次實(shí)驗(yàn)的權(quán)重值系數(shù)作為第一組實(shí)驗(yàn)結(jié)果并記錄。第二組、第三組、……、第八組實(shí)驗(yàn)中設(shè)置α值分別分為0.2，0.3，…，0.8；β、χ取值與第一組實(shí)驗(yàn)方法相同，分別獲得其他七組實(shí)驗(yàn)的最好權(quán)重值系數(shù)，最后比較八組實(shí)驗(yàn)獲得的八個(gè)相似度值，選擇最高相似度值的那組參數(shù)值作為α、β、χ的最佳權(quán)重系數(shù)。

4 實(shí)驗(yàn)與結(jié)果分析

4.1 語料的獲取和模型的訓(xùn)練

使用H-SWR進(jìn)行詞向量表示方面，得出模型后輸入語料進(jìn)行訓(xùn)練，語料的訓(xùn)練方式與CBOW模型相似。為了防止兩類詞向量融合維度出現(xiàn)過高的情況，實(shí)驗(yàn)指定窗口大小為5，維度定為100，實(shí)現(xiàn)平臺(tái)為PyCharm 2018.3.7。在使用Word2vec進(jìn)行詞向量表示方面，訓(xùn)練模型采用連續(xù)詞袋模型，定義窗口大小為5，維度100。對(duì)于語料選擇方面，本文使用維基百科離線知識(shí)庫進(jìn)行訓(xùn)練。

候選實(shí)體獲取方面，由于百科知識(shí)庫中涉及領(lǐng)域太廣，所以本文選擇西藏畜牧業(yè)領(lǐng)域分類下的頁面信息，進(jìn)行摘要提取，候選義項(xiàng)摘要保存于文本。測試語料爬取有關(guān)西藏畜牧業(yè)領(lǐng)域的文本共30篇，還有手工標(biāo)注的西藏畜牧業(yè)領(lǐng)域的文本10篇，其中標(biāo)注文本中的詞數(shù)共計(jì)161 518個(gè)，標(biāo)注有關(guān)領(lǐng)域?qū)嶓w指稱29692個(gè)。標(biāo)注的每一篇文本中的實(shí)體名稱通過與獲得的候選實(shí)體對(duì)比作為實(shí)驗(yàn)的結(jié)果的驗(yàn)證。使用準(zhǔn)確率判斷本文方法的優(yōu)劣與可行性，準(zhǔn)確率定義如下：

4.2 詞向量融合表示的效果分析

該組實(shí)驗(yàn)用于對(duì)比詞向量融合與否對(duì)相似度計(jì)算準(zhǔn)確率的影響。詞向量相似度對(duì)比的優(yōu)劣通常可以通過觀察給定詞對(duì)的評(píng)價(jià)分?jǐn)?shù)來判定其優(yōu)劣程度。所以本文采用斯皮爾曼（Spearman）系數(shù)用于評(píng)估詞語相似度準(zhǔn)確率，Spearman系數(shù)是一種評(píng)價(jià)詞語相似度算法準(zhǔn)確度的有效方式，計(jì)算公式如式（12）所示：

其中：p表示斯皮爾曼相關(guān)系數(shù)，系數(shù)越大說明用于計(jì)算相似度的詞向量更為優(yōu)質(zhì)；n表示元素個(gè)數(shù)；di表示一個(gè)排行差分集合中的元素，本文將獲得的相似度經(jīng)過比例縮小后與其對(duì)應(yīng)人工評(píng)分定義為變量（X，Y），并對(duì)兩個(gè)變量的數(shù)據(jù)進(jìn)行排序并記錄為（Z，W），其中（Z，W）的值便為秩次，而秩次間的差值就是di。本文用于測試的標(biāo)準(zhǔn)數(shù)據(jù)集為wordsim-240，每行格式為一對(duì)標(biāo)準(zhǔn)詞對(duì)與數(shù)值在0～5的人工評(píng)分。實(shí)驗(yàn)結(jié)果如表1所示。

表1 Spearman相關(guān)系數(shù)對(duì)比Tab.1 Spearman correlation coefficient comparison

由實(shí)驗(yàn)結(jié)果可知，由人工知識(shí)與機(jī)器學(xué)習(xí)的詞向量的結(jié)合是切實(shí)可行的，并且在詞向量相似度計(jì)算的過程中表現(xiàn)出色。

4.3 權(quán)重值對(duì)實(shí)驗(yàn)結(jié)果影響

在消歧過程中，實(shí)體相似度、類別特征相似度以及主題特征相似度所占權(quán)重的不同對(duì)實(shí)驗(yàn)準(zhǔn)確率有著很大的影響，通過實(shí)驗(yàn)的方法驗(yàn)證最佳權(quán)重值系數(shù)，把消歧準(zhǔn)確率最高的權(quán)重值系數(shù)作為最佳系數(shù)，實(shí)驗(yàn)結(jié)果如表2所示。

對(duì)于權(quán)重值的選擇方法如3.5節(jié)所述。即將三類特征權(quán)值總和定義為1，同時(shí)在不知道每一項(xiàng)權(quán)重值大小的情況下首先固定某一項(xiàng)權(quán)重值，同時(shí)對(duì)其他兩項(xiàng)權(quán)重進(jìn)行每次步長為0.1的調(diào)整，觀察固定一項(xiàng)權(quán)重值不變時(shí)另外兩項(xiàng)權(quán)重值變化的結(jié)果并記錄這一組數(shù)據(jù)的最高值，之后固定權(quán)重值加0.1，并按上述方法推演。最終獲取固定權(quán)重值為0.1～0.8的八組最高數(shù)據(jù)如表2所示，加粗字體為準(zhǔn)確率最高權(quán)重值系數(shù)。最佳權(quán)重值為：α=0.3，β=0.2，χ=0.5。

表2 權(quán)重值選取數(shù)據(jù)匯總Tab.2 Selected weight value data summary

由于待消歧實(shí)體與候選實(shí)體相似度計(jì)算包含詞語及其語義信息，且融合后的詞向量攜帶大量結(jié)構(gòu)化知識(shí)的信息，所以融合特征相似度占有比較重要的地位。對(duì)于類別特征相似度計(jì)算，由于其本身存在的作用是區(qū)別詞語的不同類別特征，而類別的獲取是聚類后的結(jié)果，致使該類特征所攜帶的語義信息相比前者較少，所以占比重較小。主題特征相似度方面，由于本文使用改進(jìn)的LDA主題模型，使用攜帶特征信息的詞語替換詞原始詞袋中的多義詞，使得主題特征與唯一詞語對(duì)應(yīng)，很大程度解決了詞語缺乏局部特征的問題，所以其不單攜帶詞語本身語義信息，還具有大量的主題特征信息，所以其占比重最大。綜上所述，因?yàn)椴煌奶卣魉鶖y帶的語義信息量不同致使權(quán)重值系數(shù)也不相同，而在本文消歧過程中待消歧實(shí)體與候選實(shí)體相似度與主題特征相似度的信息量明顯更大一點(diǎn)，從而也起到了更為重要的作用。最終獲取融合相似度后，對(duì)其進(jìn)行排序操作，選取最高一組數(shù)據(jù)為最終結(jié)果。

4.4 特征關(guān)鍵詞個(gè)數(shù)的影響

類別關(guān)鍵詞與主題關(guān)鍵詞數(shù)量多與少會(huì)影響消歧結(jié)果，為此通過實(shí)驗(yàn)來驗(yàn)證關(guān)鍵詞數(shù)量對(duì)消歧結(jié)果影響，以確定最佳關(guān)鍵詞數(shù)量。由圖4可知，類別關(guān)鍵詞為4個(gè)時(shí)消歧效果最好，這是由于如果關(guān)鍵詞個(gè)數(shù)較少，所攜帶信息不足，而過多又會(huì)使得信息覆蓋范圍變廣反而降低準(zhǔn)確率。對(duì)于主題關(guān)鍵詞個(gè)數(shù)，由實(shí)驗(yàn)結(jié)果可知當(dāng)其在8個(gè)時(shí)消歧效果最好，相比類別特征，主題特征能更好地表示一個(gè)詞語的語義，所以關(guān)鍵詞個(gè)數(shù)較多。

圖4 特征關(guān)鍵詞數(shù)對(duì)準(zhǔn)確率的影響Fig.4 Influenceof thenumber of feature keywordson accuracy

4.5 消歧效果對(duì)比

實(shí)驗(yàn)主要選擇三個(gè)典型的消歧方法對(duì)本文方法的效果進(jìn)行檢驗(yàn)，它們分別為W ikify［19］、支持向量機(jī)（Support Vector Machine，SVM）［20］以及Knowledge Base［21］。Wikify著重于使用實(shí)體鏈接的方法以達(dá)到消歧的目的；以Knowledge Base為基礎(chǔ)的消歧方法，特點(diǎn)是十分依賴知識(shí)庫；SVM消歧的方法是一種圖模型結(jié)合實(shí)體鏈接的消歧方法。實(shí)驗(yàn)結(jié)果如表3所示。

表3 不同消歧方法的準(zhǔn)確率對(duì)比 單位：%Tab.3 Accuracy comparison of different disambiguation methods unit：%

從表3可看出，本文方法對(duì)比其他消歧方法準(zhǔn)確率有所提高，與典型的圖模型消歧方法相比準(zhǔn)確率提高了7.6個(gè)百分點(diǎn)。與上述三種方法相比。本文方法首先增強(qiáng)了詞向量表示的質(zhì)量，其次彌補(bǔ)了詞語語義容易混淆的不足，最后在消歧過程中添加了主題與類別特征信息以使得準(zhǔn)確率有所提高。這說明多種詞向量融合表示的多特征融合的消歧方法切實(shí)可行，融合后的詞向量表示在相似度計(jì)算以及消歧方面中的效果也更為出色。

5 結(jié)語

本文針對(duì)主流消歧方法因信息攜帶不足而導(dǎo)致的消歧模型對(duì)多義詞不能準(zhǔn)確區(qū)分以及對(duì)于詞向量表示低頻詞質(zhì)量差，表示的語義信息容易混淆等問題，提出詞向量的融合表示以及詞語的多特征融合方法。實(shí)驗(yàn)結(jié)果表明，準(zhǔn)確率比典型的圖模型消歧方法有較大提高。下一步，將嘗試融入深度學(xué)習(xí)并改進(jìn)獲取詞向量特征的方法，減小消歧任務(wù)工作量，進(jìn)一步提高準(zhǔn)確率。