元宝快乐窝
0%

新词发现整理

发表于 分类于 阅读次数： Valine：
本文字数： 2.5k 阅读时长 ≈ 4 分钟

背景

目标

快消的业务方提出了需求：希望能够通过电商平台的宝贝标题文本数据，挖掘不同商家推出的新的概念或者以此发现一些新的概念，如护肤概念的早c晚a

业务->技术

  • 交付
    概念呈现的方式是词。而新就包含了时间的概念，必须要指定“新”这个概念开始的时间
  • 数据
    形如“雅诗兰黛第七代小棕瓶精华面部精华淡纹修护律波肽收缩毛孔”。发现相对于传统的中文数据，宝贝标题数据有以下特点：1）不存在主谓宾等语法限制，是多个词块的直接拼接；2）包含品牌、系列、产品、成分、功效等

因此，一般的ner方法是用不了了，因为假设我们现在标注了“早c晚a”为新词，而可能2个月后大家都在说，那么“早c晚a”也就不新了。关键词抽取就更不谈了，关键≠新。因此，比较合适的方法就是将文本中的词都找出来，然后将当前时间段的结果，减去已有的词，留下的即为新词

技术

新词发现

使用新词发现技术的人，最绕不开的就是这篇博客《互联网时代的社会语言学：基于SNS的文本数据挖掘》。在这篇博客中，原博作者从统计学角度去描述一个词：词内部的字符搭配较为固定，而词的头和尾与外部的字符搭配较为多样。具体的例子就是，在快消领域中当我们看到“烟酰”时，我们的第一反应会是“烟酰胺”，除此以外我们很少能想到其他的组合。而看到“烟酰胺”时，我们却很难判断前后是什么词，可能是“含烟酰胺”，“涂烟酰胺”，“用烟酰胺”等等很多不同的组合。而这种“很少”与“很多”就可以通过语料统计出来，这两种特征原博作者分别称之为“凝固度”和“自由度”

  • 凝固度
    $$
    min(\frac{p(abc)}{p(a)p(bc)},\frac{p(abc)}{p(ab)p(c)})
    $$
    n-gram就对比n-1种切分方式。当词的长度超过2时，就有不同的切分，同时考虑多种切分是为了避免，错误的切分方式高估了词的凝固度。如“的电影”，其中p(的)是非常大的

  • 自由度
    $$
    min(EL, ER)\
    $$
    其中：

    • $EL = Entropy_{left}(string) = \sum_{w_{i}\in{W_{m}}}p(w_{i}|string)log_{e}p(w_{i}|string)$
    • $ER = Entropy_{left}(string) = \sum_{w_{i}\in{W_{n}}}p(w_{i}|string)log_{e}p(w_{i}|string)$

    即词与外界的搭配，可以看到词有左边界与右边界，因此存在左邻字集合与右邻字集合。我们使用信息熵来衡量一个文本片段与外部的搭配有多么随机

回溯

苏神在其博客中中文分词系列，提出：分词就是在相关性较弱的字符处，将文本截断，因而从切词的角度实现新词发现。只是之前的方法都只考虑了相邻2grams的相关性，而升级后的算法同时考虑了多字内部的凝固度（词在任一位置的相关性都是较强的）。从公式上来看依旧是：$min(\frac{p(abc)}{p(a)p(bc)},\frac{p(abc)}{p(ab)p(c)})$，但实现方式如下：

  1. 选取固定的n，在语料上统计2grams、3grams、…、ngrams，计算内部凝固度，保留大于阈值的结果，构成集合$G$。一般n越大，阈值越大，博客中使用{2:5, 3:25, 4:125}。实际使用中，可以通过总体的凝固度选择分位点
  2. 切分：用上述grams对语料进行切分（粗糙的分词），并统计频率。切分的规则是，只要一个片段出现在前一步得到的集合G中，这个片段就不切分，比如“各项目”，只要“各项”和“项目”都在$G$中，这时候就算“各项目”不在$G$中，那么“各项目”还是不切分，保留下来
  3. 回溯：经过第二步，“各项目”会被切出来（因为第二步保证宁放过，不切错）。回溯就是检查，如果它是一个小于等于n字的词，那么检测它在不在$G$中，不在就出局；如果它是一个大于n字的词，那个检测它每个n字片段是不是在$G$中，只要有一个片段不在，就出局。还是以“各项目”为例，回溯就是看看，“各项目”在不在3gram中，不在的话，就得出局

原先的方法是一个阈值，判断所有ngram的可能，而回溯则是计算n-1种切分各自的凝固度，每个凝固度都与阈值的判断，且能够满足大于n个字符的检验
笔者在在快消数据中，使用该回溯算法后发现，词的粒度很大概率会被切分得很细。原因是在快消数据中，很多概念都是已有短词的组合，如“屏障修护”，我们是不希望被切分成“屏障” + “修护”的，这两个词单独出现在业务上价值较低。因此回溯方法可能更适合法律、医疗等专业名词较多的行业

工具

  • smoothnlp
    $L_{S}(EL,ER)= ln\frac{EL·e^{ER}+ER·e^{EL}}{|EL-ER|}$

  • hellonlp
    $L_{S}(EL,ER)= ln\frac{EL·e^{ER}+ER·e^{EL}}{|EL-ER|}$

  • jinNLP

下面是一些关键词抽取，在当前任务上效果不好，理由如开头所述

  • keybert + keyphrasevectorizers
    keybert使用语义相似性来优化相关性，MMR来优化多样性。keyphrasevectorizers则使用词性信息，可以通过自定义词性pattern来产生特定结果

  • UCPhrase
    使用深度学习的方式，弱监督地构造训练集，并训练二分类ner模型。原文使用社媒数据，出现相同hashtag的文本作为一个集合$S$，指定词长度n，统计该集合中出现大于2次的ngrams片段，作为正例，其余作为负例，采样构成数据集

词包分词

有了新词发现的结果后，加入已有词包对文本进行分词。对于当前任务来说，由于宝贝标题是多个关键词的直接拼接，因此词的边界是很难区分的。如“雅诗兰黛保湿水润肤乳”，正常结果是“雅诗兰黛”、“保湿水”、“润肤乳”，但是很可能会分成“保湿”、“水润”、“肤乳”，需要额外设计算法处理

想法

  • 得根据业务的需求和数据的特征进行合理的算法选择，盲目追求新技术投入产出比未必高
  • 在工业界，有时数据标准化处理比算法更重要
  • 当不能简单地选择人工标注+模型时，如何无监督/弱监督地启动一个项目，并且能够后期不断地提升效果，是一个算法工程师应该在项目初期就考虑的