0 引言

    在如今信息量與日俱增的大數(shù)據(jù)時代，每天都會產(chǎn)生大量的文本信息，隨之而來的文本校對任務(wù)也越來越繁重，傳統(tǒng)的人工校對不僅校對周期長、勞動強度大，而且效率低，研究快速高效的自動校對方法是十分必要的。

    基于概率統(tǒng)計的中文文本校對方法通過構(gòu)建混淆集，分析目標(biāo)詞語與其上下文詞語的同現(xiàn)特征及搭配特征，判斷哪些錯誤需要校對，并在混淆集中選取概率值最高的詞語替換目標(biāo)詞語，從而進行文本校對^[1]。然而，對于長距離的文本錯誤及語義錯誤，此類方法往往效果不佳。近年來，隨著深度學(xué)習(xí)技術(shù)的快速發(fā)展，將深度學(xué)習(xí)技術(shù)應(yīng)用于中文文本自動校對任務(wù)成為了一種新的發(fā)展方向。

    深度學(xué)習(xí)技術(shù)中的Transformer模型在Google于2017年6月發(fā)布在arXiv上的一篇文章《Attention is all you need》中提出^[2]，使用完全基于Self-Attention即“自注意力機制”的網(wǎng)絡(luò)結(jié)構(gòu)，拋棄了傳統(tǒng)Encoder-Decoder即“編碼器-解碼器”模型必須使用RNN或CNN的固有模式^[3]。本文首次將其應(yīng)用于中文文本自動校對任務(wù)，實驗結(jié)果表明該模型可以較好地解決中文文本自動校對中的遠(yuǎn)距離信息丟失問題，進一步提升校對性能。

1 背景

1.1 中文文本自動校對的國內(nèi)外研究現(xiàn)狀

    國外最早于20世紀(jì)60年代開始展開英文文本自動校對研究，發(fā)展至今，已取得突破性進展，擁有高準(zhǔn)確率和高召回率的校對方法也已經(jīng)應(yīng)用到實際產(chǎn)品當(dāng)中^[4]。而國內(nèi)關(guān)于中文文本自動校對的研究起步較晚，于20世紀(jì)90年代開始在國外對英文文本自動校對研究的基礎(chǔ)上，進行中文文本自動校對技術(shù)研究^[5]。

    目前，國內(nèi)對于中文文本自動校對技術(shù)的研究方法主要有以下3種：(1)基于規(guī)則或語言學(xué)知識的方法^[6]；(2)基于統(tǒng)計、概率的方法，如N-gram模型^[7]；(3)基于特征和Winnow學(xué)習(xí)模型，通過構(gòu)造混淆集進行校對^[8]。以上3種方法均為傳統(tǒng)的中文文本校對方法^[9]，本文則是通過深度學(xué)習(xí)技術(shù)進行中文文本自動校對，而傳統(tǒng)的深度學(xué)習(xí)技術(shù)通常采用RNN或CNN進行中文文本自動校對^[10]。

1.2 RNN與CNN在中文文本自動校對的局限性

    使用RNN進行中文文本自動校對任務(wù)時，通常采用雙向RNN結(jié)構(gòu)^[11]。即通過一個RNN進行從左往右的壓縮表示，另一個RNN進行從右往左的壓縮表示，將兩種壓縮表示結(jié)合起來，作為最終序列的分布式表示。因為對序列中的元素按順序處理，所以兩個詞之間的交互距離即相對距離。因此，RNN在長距離序列中存在信息丟失問題，即使是加入了門控機制的LSTM^[12]和GRU，依然無法解決該問題。

    使用CNN進行中文文本自動校對任務(wù)時，一般使用多層結(jié)構(gòu)來實現(xiàn)序列從局部表示到全局表示^[13]。一個詞首先會在底層CNN單元上與其距離較近的詞產(chǎn)生交互，然后在稍高層次的CNN單元上與更遠(yuǎn)一些的詞產(chǎn)生交互。詞之間的交互距離，與它們的相對距離成正比，因此使用CNN進行中文文本自動校對任務(wù)同樣會導(dǎo)致遠(yuǎn)距離信息丟失問題。

2 Transformer模型

    Transformer模型是一種對序列信息建模的新方法，該模型依然沿用了經(jīng)典的Encoder-Decoder結(jié)構(gòu)，不同的是Transformer模型不再使用RNN或CNN，而是使用Self-Attention機制。該機制的優(yōu)勢就是可以獲取文本語義信息而不受詞語之間的相對距離影響，從而解決遠(yuǎn)距離信息丟失問題，提高校對性能。

2.1 Self-Attention

    Self-Attention機制作為Transformer模型最核心的特點，其可以建立當(dāng)前位置詞語與其上下文相關(guān)詞語之間的聯(lián)系。實現(xiàn)方式為：首先，將輸入向量分別與3個隨機初始化的權(quán)值矩陣W_Q、W_K和W_V相乘，計算得出3個新的向量，分別為查詢向量q、鍵向量k和值向量v。其中q向量表示為了編碼當(dāng)前詞語，需要去注意文本中的其他詞；k向量是當(dāng)前詞的可以被用于檢索的信息；v向量則表示當(dāng)前詞語的實際內(nèi)容。接下來計算Self-Attention的分?jǐn)?shù)值，其決定了在對輸入句子中的某個詞語進行編碼時，對句子中其他部分的關(guān)注程度。

    如圖1所示，針對“生度”這個詞，通過查詢向量與鍵向量點乘，計算出其他詞對于該詞的一個分?jǐn)?shù)值。首先針對于本身即q₁×k₁，然后針對于第二個詞即q₁×k₂；為了減少乘積值過大對之后歸一化的影響，將點乘得到的結(jié)果分別除以向量維度的開方；之后再做歸一化處理，得到的結(jié)果即每個詞與當(dāng)前位置詞語的相關(guān)性大?。蛔詈髮⒅迪蛄縱與歸一化后的結(jié)果相乘再相加，得到的結(jié)果即Self-Attetion在當(dāng)前節(jié)點的值。計算方式如圖1所示。

    為了提高計算速度，本文采用矩陣的方式進行計算，計算方法如式(1)所示。

其中，Q、K、V分別表示對應(yīng)的3個向量矩陣，即查詢矩陣、鍵矩陣和值矩陣；d_key表示向量維度，本文取64維。

2.2 Multi-Headed Attention

    為了提升模型性能，加入了 Multi-Headed Attention機制^[14]，即“多頭注意力”機制，通過初始化多組權(quán)值矩陣進行計算，本文選取8組。將計算得到8個矩陣拼接為一個矩陣，再將一個隨機初始化的矩陣與拼接好的矩陣相乘，得到最終矩陣。該機制的結(jié)構(gòu)如圖2所示。

    “多頭注意力”機制有多個“注意力頭”，因此可以并行計算，提高模型訓(xùn)練速度。并且每個“注意力頭”都有對應(yīng)的權(quán)值矩陣，實現(xiàn)不同的線性變換，因此擴展了模型關(guān)注序列不同位置的信息的能力，可以對文本的語義信息有更完整的理解，從而進一步提高校對性能。

3 Transformer模型的實現(xiàn)

3.1 數(shù)據(jù)預(yù)處理

    在Transformer模型構(gòu)造之前，需要對輸入的數(shù)據(jù)進行預(yù)處理^[15]，包括：數(shù)據(jù)加載、數(shù)據(jù)清洗、分詞、語料轉(zhuǎn)換、分析統(tǒng)計。其中，數(shù)據(jù)加載是將數(shù)據(jù)集中的數(shù)據(jù)導(dǎo)入模型；數(shù)據(jù)清洗是去除語料中的特殊字符；分詞使用中文分詞工具“jieba分詞”，對語料進行分詞^[16]；語料轉(zhuǎn)換是將中文詞語轉(zhuǎn)換成對應(yīng)的數(shù)字編碼，以及對應(yīng)的數(shù)字編碼轉(zhuǎn)換為中文詞語；分析統(tǒng)計是對語料進行分析，了解語料特征。

3.2 Transformer模型結(jié)構(gòu)

    本文中的Transformer模型由6個編碼器層和6個解碼器層堆疊組成。待校對文本在編碼器端輸入，正確文本在解碼器端輸入，通過監(jiān)督學(xué)習(xí)來訓(xùn)練模型。即訓(xùn)練階段將訓(xùn)練集中的輸入語料作為編碼器輸入，將對應(yīng)的正確語料作為解碼器的輸入；在測試階段將測試集的待校對語料作為編碼器的輸入，解碼器端無輸入，僅依賴前一時刻的解碼器輸出信息進行校對。其整體結(jié)構(gòu)如圖3所示。

    編碼器層內(nèi)部包含兩個子層，即一個Self-Attention層和一個全連接的前饋神經(jīng)網(wǎng)絡(luò)層。Self-Attention層中的查詢向量、鍵向量和值向量均來自于前一個編碼器層，因此編碼器層的每個位置都能去關(guān)注前一層輸出的所有信息，使得當(dāng)前節(jié)點不僅關(guān)注當(dāng)前信息，還能獲得上下文的語義信息。前饋神經(jīng)網(wǎng)絡(luò)層應(yīng)用于Self-Attention層的輸出，由兩個線性變換和一個ReLU激活函數(shù)組成。計算方法如式(2)所示。

其中，W₁和W₂為模型中神經(jīng)元的權(quán)值，b₁和b₂為偏置值，x為輸入向量。

    編碼器層與解碼器層的結(jié)構(gòu)如圖4所示。

    解碼器層不僅包含編碼器層中的兩個子層，還添加了一個注意力子層對編碼器的輸出執(zhí)行多頭注意，其查詢向量來自于前一個解碼器層，鍵向量和值向量來自于編碼器的輸出，因此解碼器的每個位置都可以關(guān)注到編碼器輸入序列的全部信息，幫助當(dāng)前解碼器節(jié)點獲取到需要關(guān)注的重點內(nèi)容。此外，解碼器的Self-Attention子層加入了masked部分，其可以對某些值進行掩蓋，從而防止模型注意到后續(xù)位置信息。這種屏蔽確保了當(dāng)前的預(yù)測只能依賴于之前的已知輸出。

3.3 Transformer模型實現(xiàn)過程

    Transformer模型的內(nèi)部結(jié)構(gòu)如圖5所示。

3.3.1 Embedding

    首先，模型對輸入數(shù)據(jù)進行Embedding，即詞嵌入，將輸入詞語轉(zhuǎn)變成向量^[17]。將向量輸入到編碼器和解碼器的第一層，經(jīng)過多頭注意力機制處理后傳入前饋神經(jīng)網(wǎng)絡(luò)，得到的輸出信息作為下一層編碼器和解碼器的輸入^[18]。

3.3.2 Positional Encoding

    因為Transformer模型缺少對輸入序列中詞語順序的表示，所以需要在編碼器層和解碼器層的輸入添加一個Positional Encoding向量，即位置編碼向量，維度與輸入向量的維度相同，本文取512維。該向量決定當(dāng)前詞在序列中的位置，計算方法如式(3)、式(4)所示：

其中，pos是指當(dāng)前詞語在句子中的位置；i表示pos對應(yīng)的向量值，取值范圍為0～255；d_model表示向量維度。在偶數(shù)位置，使用正弦編碼；在奇數(shù)位置，使用余弦編碼。最后將位置編碼向量與輸入向量相加，作為輸入傳入模型。

3.3.3 殘差連接和歸一化

    編碼器層和解碼器層中每個子層都加入了殘差連接和歸一化^[19]。子層先進行殘差連接，避免誤差反向傳播時的梯度消失，接著對輸出進行歸一化，避免梯度消失或梯度爆炸。剩余連接和歸一化后的輸出表示如式(5)所示：

其中，x為前一層前饋神經(jīng)網(wǎng)絡(luò)或多頭注意力層的輸出向量，SubLayer為注意力機制函數(shù)，LayerNorm為歸一化函數(shù)。

3.3.4 輸出層

    當(dāng)解碼器層全部執(zhí)行完畢后，為了將得到的向量映射為本文需要的詞語，需要在最后一個解碼器層后添加一個全連接層和Softmax層。全連接層輸出logits向量，作為Softmax層的輸入。假設(shè)詞典包括n個詞語，那最終Softmax層會輸出n個詞語分別對應(yīng)的概率值，概率值最大的對應(yīng)詞語就是最終的輸出結(jié)果。

4 結(jié)果與分析

    針對上述模型，本文設(shè)計了以下的實驗。本實驗運行環(huán)境操作系統(tǒng)為Windows 10，CPU為Intel Core^TM i5-8265，GPU為GTX 1070Ti，運行內(nèi)存8 GB。一共進行4組實驗，分別為傳統(tǒng)的Seq2Seq、加入BiLSTM的Seq2Seq、基于注意力機制的BiLSTM Seq2Seq與Transformer共4種模型。實驗使用的數(shù)據(jù)集來自于2018 NLPCC共享的訓(xùn)練數(shù)據(jù)集Task 2，其中提供了717 206條中文文本語句對，將其中的700 000條作訓(xùn)練集，17 206條作測試集，劃分過程隨機。Src代表待校對語料，Trg表示原句所對應(yīng)的正確語料。數(shù)據(jù)集的統(tǒng)計數(shù)據(jù)如表1所示，分為訓(xùn)練集和測試集，統(tǒng)計了正確語料和錯誤語料，以及分詞后的詞語總數(shù)。

    為了對不同模型的校對效果進行評價，本次實驗采用準(zhǔn)確率、召回率和F1值作為指標(biāo)，對實驗結(jié)果進行評估，實驗結(jié)果如表2所示。

    實驗結(jié)果表明，BiLSTM和注意力機制均可以在傳統(tǒng)Seq2Seq模型的基礎(chǔ)上提升中文文本校對效果，然而，Transformer模型的表現(xiàn)更好。并且，深度學(xué)習(xí)模型的校對效果受到訓(xùn)練次數(shù)和訓(xùn)練數(shù)據(jù)集大小的影響，如果增加Transformer模型的訓(xùn)練次數(shù)和增大訓(xùn)練數(shù)據(jù)集，模型將擁有更好的校對效果。

5 結(jié)論

    本文將Transformer模型應(yīng)用于中文文本自動校對領(lǐng)域，通過公開數(shù)據(jù)集對該模型的校對性能進行驗證，得出該模型的校對效果相比較于其他的模型在準(zhǔn)確率和召回率方面均有很大提升。

    本次實驗由于數(shù)據(jù)集的局限性^[20]，導(dǎo)致并未展現(xiàn)出Transformer模型的全部能力，但是該模型在中文文本自動校對中的表現(xiàn)依然優(yōu)異，也為Transformer模型應(yīng)用于其他自然語言處理任務(wù)提供了可能性。

參考文獻(xiàn)

[1] 張仰森，俞士汶.文本自動校對技術(shù)研究綜述[J].計算機應(yīng)用研究，2006(6)：8-12.

[2] VASWANI A，SHAZEER N，PARMAR N，et al.Attention is all you need[J].Comouting Research Respository，2017，arXiv：1706：87-90.

[3] ZHANG C，WANG X，YU S，et al.Research on keyword extraction of Word2vec model in Chinese corpus[C].IEEE/ACIS 17th International Conference on Computer and Information Science(ICIS).IEEE，2018：339-343.

[4] 張濤.中文文本自動校對系統(tǒng)設(shè)計與實現(xiàn)[D].成都：西南交通大學(xué)，2017.

[5] 劉亮亮，王石，王東升，等.領(lǐng)域問答系統(tǒng)中的文本錯誤自動發(fā)現(xiàn)方法[J].中文信息學(xué)報，2013，27(3)：77-83.

[6] 劉亮亮，曹存根.中文“非多字詞錯誤”自動校對方法研究[J].計算機科學(xué)，2016，43(10)：200-205.

[7] 張仰森，曹大元，俞士汶.基于規(guī)則與統(tǒng)計相結(jié)合的中文文本自動查錯模型與算法[J].中文信息學(xué)報，2005，20(4)：1-8.

[8] 張仰森，唐安杰，張澤偉.面向政治新聞領(lǐng)域的中文文本校對方法研究[J].中文信息學(xué)報，2014，28(6)：79-84.

[9] 張仰森，鄭佳.中文文本語義錯誤偵測方法研究[J].計算機學(xué)報，2017，40(4)：911-924.

[10] Wu Yonghui，SCHUSTER M，Chen Zhifeng，et al.Google′s neural machine translation system bridging the gap between human and machine translation[J].Computing Research Repository，2016，arXiv：1609：56-59.

[11] Chung Junyoung，GULCEHRE C，CHO K，et al.Empirical evaluation of gated recurrent neural networks on sequence modeling[J].CoRR，2014，abs/1412：78-81.

[12] Cheng Jianpeng，LAPATA M.Long short-term memory-networks for machine reading[J].arXiv Preprint 2016，arXiv：1601：127-130.

[13] GEHRING J，AULI M，GRANGIER D，et al.Convolutional sequence to sequence learning[J].arXiv Preprint 2017，arXiv：1705：68-71.

[14] LUONG M T，LE Q V，SUTSKEVER I，et al.Multi-task sequence to sequence learning[J].arXiv Preprint 2015，arXiv：1511：114-117.

[15] 王潔，喬藝璇，彭巖，等.基于深度學(xué)習(xí)的美國媒體“一帶一路”輿情的情感分析[J].電子技術(shù)應(yīng)用，2018，44(11)：102-106.

[16] 孫鐵利，劉延吉.中文分詞技術(shù)的研究現(xiàn)狀與困難[J].2012(1)：187-192.

[17] Lin Zhouhan，F(xiàn)eng Minwei，NOGUEIRA C，et al. A struc-tured self-attentive sentence embedding[J].arXiv Preprint 2017，arXiv：1703：116-119.

[18] PRESS O，WOLF L.Using the output embedding to improve language models[J].arXiv Preprint 2016，arXiv：1608：67-70.

[19] BA J L，KIROS J R，HINTON G E.Layer normalization[J].arXiv Preprint 2016，arXiv：1607：45-49.

[20] 字云飛，李業(yè)麗，孫華艷.基于深度神經(jīng)網(wǎng)絡(luò)的個性化推薦系統(tǒng)研究[J].電子技術(shù)應(yīng)用，2019，45(1)：14-18.

作者信息:

龔永罡，裴晨晨，廉小親，王嘉欣

(北京工商大學(xué) 計算機與信息工程學(xué)院食品安全大數(shù)據(jù)技術(shù)北京市重點實驗室，北京100048)