文本相似度相关工作调研（二）

《Short Text Similarity With Word Embeddings》论文解释

一、概要

​ 本文主要介绍基于词嵌入的短文本相似度计算方法。相比较于其他方法，这种方法的特点在于：

• 几乎不需要任何外部知识（例如不需要语法分析等）
• 不需要手工构造特征
• 此方法计算的是语义相似度，并不是语法或者词型相似度（另一篇文章中提高到LCS、编辑距离等）
• 能够利用多种方式、多种语料获得的词向量（多种方式：word2vec, GLOVE. 多种语料：Wiki等）

二、主要思想

​ 本文的主要思想是利用获得的词向量提取特征，输入到支持向量机中进行分类。因此，文章的重点也集中在如何根据已有的词向量来获取句子的特征。

1. 算法伪代码
   
   算法解释:输入：句子对集合，（s1,s2）代表句子1和句子2输入：标签集合，li代表第i个句子对的相关程度（可以是离散的）输入：wordembeddings集合：WEi可以表示为一种词向量，例如通过word2vec在wikipidea数据上得到的向量输入：特征提取器，fei可以理解为一个函数，这个函数的输入是句子对及相应的词向量，输出提取的特征1−10行，对于每一种词向量（第四行），用所有的特征提取器提取特征（第五行），将得到的结果连接在一起。因此我们假设如果有m种词向量，n个特征提取器，那么每个句子对就会提取出m∗n个特征，然后连接在一起，放在F矩阵中。最后一行代表一个分类器，可以选择SVM等。 \begin{aligned} &算法解释:\\ &输入：句子对集合，（s_1,s_2）代表句子1和句子2\\ &输入：标签集合，l_i代表第i个句子对的相关程度（可以是离散的）\\ &输入：word embeddings集合：WE_i可以表示为一种词向量，例如通过word2vec在wikipidea数据上得到的向量\\ &输入：特征提取器，f_{ei}可以理解为一个函数，这个函数的输入是句子对及相应的词向量，输出提取的特征\\ &\quad\quad1-10行，对于每一种词向量（第四行），用所有的特征提取器提取特征（第五行），将得到的结果连接在一起。\\ &因此我们假设如果有m种词向量，n个特征提取器，那么每个句子对就会提取出m*n个特征，然后连接在一起，\\ &放在F矩阵中。\\ &\quad\quad最后一行代表一个分类器，可以选择SVM等。 \end{aligned} ​算法解释:输入：句子对集合，（s1​,s2​）代表句子1和句子2输入：标签集合，li​代表第i个句子对的相关程度（可以是离散的）输入：wordembeddings集合：WEi​可以表示为一种词向量，例如通过word2vec在wikipidea数据上得到的向量输入：特征提取器，fei​可以理解为一个函数，这个函数的输入是句子对及相应的词向量，输出提取的特征1−10行，对于每一种词向量（第四行），用所有的特征提取器提取特征（第五行），将得到的结果连接在一起。因此我们假设如果有m种词向量，n个特征提取器，那么每个句子对就会提取出m∗n个特征，然后连接在一起，放在F矩阵中。最后一行代表一个分类器，可以选择SVM等。​

2. 伪代码中的词向量

   论文中提到可以选择word2vec、GLOVE等已经训练好的词向量，也可以选择这些方法在自己的数据上重新训练。

3. 伪代码中的特征提取器

   从代码中可以看出，整个算法的难点在于特征提取器($f_{ei}$)的构造之上。文章给出了三种特征提取器的构造方法，下面分别介绍。我们应该明确的一点是，特征提取器的目的是从句子对和词向量中提取出句子对的特征，然后用于后续的分类模型之中。

   1. Saliency-weighted semantic network

      文章首先提到有的论文将词向量的均值代表整个句子，既是$S_{vector}=\frac{1}{n}{\sum }_{word\in S}wor{d}_{embedding}$，并且取得了不错的效果。但是这个方法显然并一定是符合真实情况的，以下图为例：
      
      黑色圈代表一个句子的三个词向量，白色圈代表另一个句子的三个词向量。两个句子中，有一对词语的差别较大（最左边的白圈和最右边的黑圈）。但是两个句子的均值却非常相近，也就是说均值的作用忽略了句子中个别词向量的极大差异。因此文章提出了一种考虑词语分布的计算方法：在这种方法中，常见词的贡献较少，稀有词的贡献较多（和tfidf方法类似）。具体的计算公式如下：
      $$\begin{array}{rl}& f_{sts}=\sum _{w\in s_l}IDF(w)\frac{sem(w,s_s)(k_1+1)}{sem(w,s_s)+k_1(1-b+b\frac{|s_s|}{avgsl})}\\ & sem(w,s)=\underset{w^{{}^{\prime }}\in s}{\max }{f}_{sem}(w,w^{{}^{\prime }})\\ & 符号介绍\\ & f_{sts}:句子对的相似度，也就是提取到的特征\\ & w:词语\\ & s_l:句子对中比较长的句子\\ & s_s:句子对中比较短的句子\\ & IDF(w):w的文档频率的倒数（参考tfidf的计算方法）\\ & sem(w,s_s):w词语和s_s句子的相似度,采用的计算公式\\ & 是取w和s_s中各个词语相似度的最大值，至于词语和词语之间的\\ & 相似度，可以利用cos相似度计算（既是f_{sem}）\\ & k_1,b:超参数\end{array}$$
      这个参考自BM25公式，可以类比一下。关于公式的解释

      • 为什么遍历长句子，而不是短句子

        主要是出于下面考虑。（1）为了保证计算的对称性。计算的对称性，是指句子对中无论第一个是长句子还是短句子，我们都选择以长句子为基准进行遍历，这样$(s_1,s_2)$和$(s_2,s_1)$计算得到的特征就会是相同的。（2）不想有的单词被忽略。以短句为基准进行遍历，有些词语可能不会被遍历到。

      • 和BM25的不同

        BM25的tfidf矩阵主要考虑的是query中词语和document中词语的匹配，而我们则考虑的是语义之间的匹配。$sem(w,s)$采用的是w和s的最大相似度，而不仅仅是词语的匹配。

      可以看出，最后的结果是各个值的和。但实际应用的时候，我们并不是选择和值，而是选择向量形式如下：
      $$f_{sts}\left[i\right]=IDF(w_i)\frac{sem(w_i,s_s)(k_1+1)}{sem(w_i,s_s)+k_1(1-b+b\frac{|s_s|}{avgsl})}$$
      假设长句子有n个单词，那么$f_{sts}$就是一个长度为n的向量。得到这个向量之后，我们再进行bin操作。所谓bin操作，就是划分一个区间，比如[a,b,c]，然后统计$f_{sts}$中位于负无穷到a、a到b、b到c、c到正无穷的数量。例如
      fsts=[2,3,1,4,6,3],区间为[2,4]。则位于负无穷到2（包括2）之间的数有2，1，总共有2个。位于2到4之间（包括4）的数有3，3，4，总共有3个位于4到正无穷之间的数有6，总共有1个.因此最后返回[2,3,1] \begin{aligned} &f_{sts}=[2,3,1,4,6,3],区间为[2,4]。\\ &则位于负无穷到2（包括2）之间的数有2，1，总共有2个。\\ &位于2到4之间（包括4）的数有3，3，4，总共有3个\\ &位于4到正无穷之间的数有6，总共有1个.\\ &因此最后返回[2,3,1] \end{aligned} ​fsts​=[2,3,1,4,6,3],区间为[2,4]。则位于负无穷到2（包括2）之间的数有2，1，总共有2个。位于2到4之间（包括4）的数有3，3，4，总共有3个位于4到正无穷之间的数有6，总共有1个.因此最后返回[2,3,1]​
      这样起到了减少特征数目的作用，区间是超参数，需要事先指定。

   2. Unweighted semantic network

      这是第二种提取特征的方法，对于句子对$(s_1,s_2)$，我们计算句子对中每个词语之间的cos相似度，这样就会得到一个$n\ast m$的矩阵（其中$n=|s_1|,m=|s_2|$）。得到这个矩阵之后，我们又构造出两种方法：

      • 考虑所有的$n\ast m$个元素，然后bin操作，操作方法同上，区间不同而已
      • 矩阵的每一行取最大值，然后得到的最大值进行bin操作

   以上就是算法的全部内容，难点在于特征提取器的构造上。得到特征之后，输入SVM进行分类训练就可以了。

三、实验结果

$$\begin{array}{rl}& 数据集：MSR\\ & OoB:指的是out-of-the-box-set,也就是训练好的两个word2vec和两个Glove向量。\end{array}$$