基于向量空間模型附加詞義特征的句子相似度研究

楊 松, 樓新遠

(西南交通大學,四川成都610031)

0 引言

隨著互聯(lián)網(wǎng)的發(fā)展,現(xiàn)代社會已成為一個知識爆炸的社會,如何從廣闊的知識海洋中找到需要的知識是目前人們最需要解決的問題。解決此類問題的主要途徑就是利用搜索引擎進行查找,通過使用搜索引擎,可以查找到一系列的相關(guān)文章,然后通過閱讀文章得到想要的答案?，F(xiàn)在,自動問答系統(tǒng)逐漸走入人們的視線,越來越受到重視。用戶通過自動問答系統(tǒng)可以直接得到想要的答案,而不是一系列相關(guān)的文章,比搜索引擎更加直接、友好。自動問答系統(tǒng)中的一個關(guān)鍵問題就是如何根據(jù)用戶的提問在知識庫中查找到對應的答案,目前一般都是通過計算用戶提問的句子和知識庫中的對應問題的句子的相似度解決。

目前進行句子相似度計算時主要使用的算法有向量空間模型(Vector Space Model,VSM)[1-2],編輯距離算法(Levenshtein Distance)[3],語義詞典方法[4],依存樹法(Semantic Dependent T ree)[5-6],以及詞形詞序結(jié)合的方法等?；谙蛄靠臻g模型的相似度計算方法是一種基于語料庫中出現(xiàn)的關(guān)鍵詞詞頻的統(tǒng)計方法,以大規(guī)模真實語料為基礎(chǔ),首先計算出每個關(guān)鍵詞的權(quán)重,然后將句子轉(zhuǎn)換成由關(guān)鍵詞權(quán)重表示的詞項向量,最后通過計算兩個句子向量的夾角余弦,得到句子相似度。傳統(tǒng)的向量空間模型沒考慮到詞語的語義,沒考慮到詞語之間的相似度。論文在向量空間模型的基礎(chǔ)上增加了詞義特征,通過在傳統(tǒng)的向量空間模型中引入詞語之間的相似度,從而使計算出的兩個句子的相似度分數(shù)更加準確。

1 向量空間模型

在向量空間模型中,把每個句子都表示為一個 n維詞項向量的形式,然后在計算兩個句子的相似度時,將其轉(zhuǎn)換成向量空間中的向量夾角計算問題。使用向量空間模型計算句子相似度的時候并沒考慮到詞項的詞義,沒考慮到詞項之間的相似性。假設(shè)有如下兩個句子:句子S1=如何注冊成為淘寶會員;句子S2=怎樣申請?zhí)詫氋~號。將兩個句子分別進行分詞處理,得到如下結(jié)果:

S1=＜如何,注冊,成為,淘寶,會員＞

S2=＜怎樣,申請,淘寶,賬號＞假設(shè)各個詞的權(quán)重如表1所示:

表1 詞的權(quán)重

則得到的兩個向量為:

S1=＜1.7,3.6,0.8,5.2.3.9,0,0,0＞;S2=＜0,0,0,5.2,0,1.3,2.2,4.2＞

則根據(jù)傳統(tǒng)的向量空間模型計算出兩個句子的相似度為0.493。

從上面的計算過程可以看出,整個過程當中并沒考慮到詞項“如何”和“怎樣”是同義詞,“注冊”和“申請”是具有一定相似度的近義詞,“會員”和“賬號”也是具有一定相似度的近義詞。雖然從語義上感覺句子 S1和句子 S2非常相似,但是通過傳統(tǒng)的向量空間模型計算出的相似度分數(shù)卻很低,就是因為向量空間模型中并沒考慮到詞語之間的相似性。

為了解決上述問題,提出了帶有詞義特征的向量空間模型,通過在計算的過程中引入詞語的相似度,改進傳統(tǒng)的向量空間模型。

2 帶有詞義特征的向量空間模型

2.1 改進的詞項向量生成算法

為了在計算句子相似度時引入詞項之間的相似度,新的詞項向量生成算法不只是將相同的詞項作為同一個維度進行計算,而且將相似度大于閾值的 δ兩個詞項也作為同一個維度參與計算。目前計算詞項之間的相似度的算法一般有字面相似度算法[7-8],詞素相似度算法[9],基于《知網(wǎng)》和《同義詞詞林》的算法[10-11]等。設(shè)向量VS1是句子 S1生成的詞項向量,向量 VS2是句子 S2生成的詞項向量,向量 VSim 存放的是 VS1中和 VS2中對應的詞項的相似度,所以有式(1)的關(guān)系:

其中 VSimk表示向量VSim中的第k項,VS1k表示向量VS1中的第k個詞項,VS2k表示向量VS2中的第k個詞項。生成 VS1和 VS2的算法描述如下:

(1)m=｜S1｜,n=｜S2｜;//即 S1中有 m 個詞項,S2中有 n個詞項

(2)構(gòu)建一個m×n的詞項相似度矩陣M,矩陣元素 Mij=Sim(T1i,T2j),Tpq表示句子Sp中的第q個詞項;

(3)查找矩陣中的最大值,記為Max,Max所在行記為r,所在列記為c;

(4)if Max≧δthen

將詞項 T1r加入到向量VS1的結(jié)尾,并從 S1中刪除詞項 T1r;

將詞項 T2c加入到向量VS2的結(jié)尾;并從 S2中刪除詞項 T2c;

將Max加入到向量 VSim的結(jié)尾;

end if

(5)重復(1)～(4),直到?jīng)]有Max值小于 δ,或者矩陣為空;

(6)將S1中剩余的k個詞項加入到向量VS1的結(jié)尾,并在 VS2的結(jié)尾加入k個0元素;

(7)將 S2中剩余的t個詞項加入到向量VS2的結(jié)尾,并在 VS1的結(jié)尾加入 t個0元素;

(8)在 VSim的結(jié)尾加入k+t個0元素。

假設(shè)詞項之間的相似度如表2所示:

表2 詞項相似度

假設(shè)閾值δ=0.7,根據(jù)上述算法生成的3個詞項向量分別為:

VS1=＜如何,淘寶,會員,注冊,成為＞

VS2=＜怎樣,淘寶,賬號,申請,0＞

VSim=＜1,1,0.8,0.7,0＞

可以看出,這里生成的詞項向量已經(jīng)將相似度大于δ的詞項放在同一個維度。

2.2 改進的相似度計算方法

因為通過新算法生成的句子向量,將相似的兩個詞項當做同一個維度,所以需要對傳統(tǒng)的向量空間模型中的公式進行改進,在計算兩個詞項的權(quán)重的乘積時引入詞項的相似度。繼續(xù)使用符號 W作為詞項的權(quán)重標記,Wpq表示句子向量VSp中的第q個詞項的權(quán)重。改進的相似度算法如式(2)所示:

其中 VSim是新的句子向量算法生成的詞項相似度向量。

上文例子中的兩個句子“如何注冊成為淘寶會員”和“怎樣申請?zhí)詫氋~號”,通過新的相似度算法計算出的相似度得分為0.873,顯然好于之前的計算結(jié)果。

3 實驗結(jié)果與分析

使用正確率(Precision,P)和召回率(Recall,R)[12]兩個基本指標來衡量句子相似度算法的效果。通過將正確率和召回率進行融合,可以得到二者的調(diào)和平均值F,使用F作為最終的衡量結(jié)果,F的定義如下:

另β=1,即表示F值中正確率和召回率的權(quán)重相等,得到

實驗中,使用某電子商務(wù)公司的自動問答機器人系統(tǒng)中某類別的470條常見問題集作為語料庫,隨機抽取某日用戶針對該類問題提問的313個問題作為查詢問題集,使用查詢問題集中的問題對語料庫進行提問,并對查詢結(jié)果進行人工識別。根據(jù)《同義詞詞林(擴展版)》得到詞語的相似度,《同義詞詞林(擴展版本)》使用5層分類體系,將詞語進行編碼,兩個詞語的編碼從左至右進行對比,得到的公共前綴子串越長,表示兩個詞語越相似。根據(jù)《同義詞詞林(擴展版)》中定義的層級對詞語的相似度進行打分,結(jié)果如表3所示。

表3 詞語的相似度分數(shù)

根據(jù)上述數(shù)據(jù)和公式分別計算通過傳統(tǒng)的向量空間模型得到的F值,以及通過改進的向量空間模型得到的F值(見表4)。其中詞語相似度的閾值δ進行3次不同的取值,分別為1,0.9和0.7。

表4 實驗結(jié)果

通過實驗結(jié)果可知,使用帶有詞義的向量空間模型得到的計算結(jié)果的精確率和召回率有所改善。

4 結(jié)束語

提出了帶有詞義特征的向量空間模型,通過在傳統(tǒng)的向量空間模型中引入詞語的相似度,彌補了傳統(tǒng)向量空間模型中沒有考慮詞義的缺點,通過實驗驗證了該方法可以得到更高的精確率,尤其是召回率提高的較多。但是生成句子向量的算法復雜度較高,不適合計算詞項很多的整篇文檔之間的相似度,只適用于計算句子的相似度。

[1] Salton G,Wong A.On the Specification of Term Value in Automatic Indexing[J].Journal of Documentation,1973,29(4):351-372.

[2] Salton G.The SMART Retrieval System-Experiments in Automatic Document Processing[M].Englewood Cliff,NJ:Prentice Hall Inc,1971.

[3] 車萬翔,劉挺,秦兵,等.基于改進編輯距離的中文相似句子檢索[J].高技術(shù)通訊,2004,(7):15-19.

[4] 裘江南,羅志成,王延章.基于中文語義詞典的語義相關(guān)度方法比較研究[J].情報理論與實踐,2008,(5).

[5] 李彬,劉挺,秦兵.基于語義依存的漢語句子相似度計算[J].計算機應用研究,2002,(12):15-17.

[6] 穗志方,俞士汶.基于骨架依存樹的語句相似度計算模型[A].中文信息處理國際會議[C],北京,1998.

[7] 吳志強.經(jīng)濟信息檢索后控詞表的研究[D].南京:南京農(nóng)業(yè)大學,1999.

[8] 章成志.基于多層特征的字符串相似度計算模型[J].情報學報,2005,24(6).

[9] 侯漢清,朱毅華,沙印亭.計算機識別同義詞的兩種算法的比較與評測[J].中國圖書館學報,2002,28(140):82-85.

[10] 李素建,劉群.基于《知網(wǎng)》的詞匯語義相似度計算[C].第三屆中文詞匯語義學研討會,中國臺北,2002.

[11] 梅家駒,竺一鳴,高蘊琦.同義詞詞林:第二版[M].上海:上海辭書出版社,1996.

[12] Christopher D.Manning,Prabhakar Raghavan,Hinrich Schutze.Introduction to Information Retrieval[M].Cambridge University Press,2008.