0 引言

    在如今信息量與日俱增的大數(shù)據(jù)時(shí)代，每天都會(huì)產(chǎn)生大量的文本信息，隨之而來(lái)的文本校對(duì)任務(wù)也越來(lái)越繁重，傳統(tǒng)的人工校對(duì)不僅校對(duì)周期長(zhǎng)、勞動(dòng)強(qiáng)度大，而且效率低，研究快速高效的自動(dòng)校對(duì)方法是十分必要的。

    基于概率統(tǒng)計(jì)的中文文本校對(duì)方法通過(guò)構(gòu)建混淆集，分析目標(biāo)詞語(yǔ)與其上下文詞語(yǔ)的同現(xiàn)特征及搭配特征，判斷哪些錯(cuò)誤需要校對(duì)，并在混淆集中選取概率值最高的詞語(yǔ)替換目標(biāo)詞語(yǔ)，從而進(jìn)行文本校對(duì)^[1]。然而，對(duì)于長(zhǎng)距離的文本錯(cuò)誤及語(yǔ)義錯(cuò)誤，此類方法往往效果不佳。近年來(lái)，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(dòng)校對(duì)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(jī)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(dòng)校對(duì)任務(wù)，實(shí)驗(yàn)結(jié)果表明該模型可以較好地解決中文文本自動(dòng)校對(duì)中的遠(yuǎn)距離信息丟失問(wèn)題，進(jìn)一步提升校對(duì)性能。

1 背景

1.1 中文文本自動(dòng)校對(duì)的國(guó)內(nèi)外研究現(xiàn)狀

    國(guó)外最早于20世紀(jì)60年代開(kāi)始展開(kāi)英文文本自動(dòng)校對(duì)研究，發(fā)展至今，已取得突破性進(jìn)展，擁有高準(zhǔn)確率和高召回率的校對(duì)方法也已經(jīng)應(yīng)用到實(shí)際產(chǎn)品當(dāng)中^[4]。而國(guó)內(nèi)關(guān)于中文文本自動(dòng)校對(duì)的研究起步較晚，于20世紀(jì)90年代開(kāi)始在國(guó)外對(duì)英文文本自動(dòng)校對(duì)研究的基礎(chǔ)上，進(jìn)行中文文本自動(dòng)校對(duì)技術(shù)研究^[5]。

    目前，國(guó)內(nèi)對(duì)于中文文本自動(dòng)校對(duì)技術(shù)的研究方法主要有以下3種：(1)基于規(guī)則或語(yǔ)言學(xué)知識(shí)的方法^[6]；(2)基于統(tǒng)計(jì)、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(guò)構(gòu)造混淆集進(jìn)行校對(duì)^[8]。以上3種方法均為傳統(tǒng)的中文文本校對(duì)方法^[9]，本文則是通過(guò)深度學(xué)習(xí)技術(shù)進(jìn)行中文文本自動(dòng)校對(duì)，而傳統(tǒng)的深度學(xué)習(xí)技術(shù)通常采用RNN或CNN進(jìn)行中文文本自動(dòng)校對(duì)^[10]。

1.2 RNN與CNN在中文文本自動(dòng)校對(duì)的局限性

    使用RNN進(jìn)行中文文本自動(dòng)校對(duì)任務(wù)時(shí)，通常采用雙向RNN結(jié)構(gòu)^[11]。即通過(guò)一個(gè)RNN進(jìn)行從左往右的壓縮表示，另一個(gè)RNN進(jìn)行從右往左的壓縮表示，將兩種壓縮表示結(jié)合起來(lái)，作為最終序列的分布式表示。因?yàn)閷?duì)序列中的元素按順序處理，所以兩個(gè)詞之間的交互距離即相對(duì)距離。因此，RNN在長(zhǎng)距離序列中存在信息丟失問(wèn)題，即使是加入了門(mén)控機(jī)制的LSTM^[12]和GRU，依然無(wú)法解決該問(wèn)題。

    使用CNN進(jìn)行中文文本自動(dòng)校對(duì)任務(wù)時(shí)，一般使用多層結(jié)構(gòu)來(lái)實(shí)現(xiàn)序列從局部表示到全局表示^[13]。一個(gè)詞首先會(huì)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(duì)距離成正比，因此使用CNN進(jìn)行中文文本自動(dòng)校對(duì)任務(wù)同樣會(huì)導(dǎo)致遠(yuǎn)距離信息丟失問(wèn)題。

2 Transformer模型

    Transformer模型是一種對(duì)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(jī)制。該機(jī)制的優(yōu)勢(shì)就是可以獲取文本語(yǔ)義信息而不受詞語(yǔ)之間的相對(duì)距離影響，從而解決遠(yuǎn)距離信息丟失問(wèn)題，提高校對(duì)性能。

2.1 Self-Attention

    Self-Attention機(jī)制作為T(mén)ransformer模型最核心的特點(diǎn)，其可以建立當(dāng)前位置詞語(yǔ)與其上下文相關(guān)詞語(yǔ)之間的聯(lián)系。實(shí)現(xiàn)方式為：首先，將輸入向量分別與3個(gè)隨機(jī)初始化的權(quán)值矩陣W_Q、W_K和W_V相乘，計(jì)算得出3個(gè)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(yǔ)，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(yǔ)的實(shí)際內(nèi)容。接下來(lái)計(jì)算Self-Attention的分?jǐn)?shù)值，其決定了在對(duì)輸入句子中的某個(gè)詞語(yǔ)進(jìn)行編碼時(shí)，對(duì)句子中其他部分的關(guān)注程度。

    如圖1所示，針對(duì)“生度”這個(gè)詞，通過(guò)查詢向量與鍵向量點(diǎn)乘，計(jì)算出其他詞對(duì)于該詞的一個(gè)分?jǐn)?shù)值。首先針對(duì)于本身即q₁×k₁，然后針對(duì)于第二個(gè)詞即q₁×k₂；為了減少乘積值過(guò)大對(duì)之后歸一化的影響，將點(diǎn)乘得到的結(jié)果分別除以向量維度的開(kāi)方；之后再做歸一化處理，得到的結(jié)果即每個(gè)詞與當(dāng)前位置詞語(yǔ)的相關(guān)性大小；最后將值向量v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(diǎn)的值。計(jì)算方式如圖1所示。

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

其中，Q、K、V分別表示對(duì)應(yīng)的3個(gè)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(jī)制^[14]，即“多頭注意力”機(jī)制，通過(guò)初始化多組權(quán)值矩陣進(jìn)行計(jì)算，本文選取8組。將計(jì)算得到8個(gè)矩陣拼接為一個(gè)矩陣，再將一個(gè)隨機(jī)初始化的矩陣與拼接好的矩陣相乘，得到最終矩陣。該機(jī)制的結(jié)構(gòu)如圖2所示。

    “多頭注意力”機(jī)制有多個(gè)“注意力頭”，因此可以并行計(jì)算，提高模型訓(xùn)練速度。并且每個(gè)“注意力頭”都有對(duì)應(yīng)的權(quán)值矩陣，實(shí)現(xiàn)不同的線性變換，因此擴(kuò)展了模型關(guān)注序列不同位置的信息的能力，可以對(duì)文本的語(yǔ)義信息有更完整的理解，從而進(jìn)一步提高校對(duì)性能。

3 Transformer模型的實(shí)現(xiàn)

3.1 數(shù)據(jù)預(yù)處理

    在Transformer模型構(gòu)造之前，需要對(duì)輸入的數(shù)據(jù)進(jìn)行預(yù)處理^[15]，包括：數(shù)據(jù)加載、數(shù)據(jù)清洗、分詞、語(yǔ)料轉(zhuǎn)換、分析統(tǒng)計(jì)。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(yǔ)料中的特殊字符；分詞使用中文分詞工具“jieba分詞”，對(duì)語(yǔ)料進(jìn)行分詞^[16]；語(yǔ)料轉(zhuǎn)換是將中文詞語(yǔ)轉(zhuǎn)換成對(duì)應(yīng)的數(shù)字編碼，以及對(duì)應(yīng)的數(shù)字編碼轉(zhuǎn)換為中文詞語(yǔ)；分析統(tǒng)計(jì)是對(duì)語(yǔ)料進(jìn)行分析，了解語(yǔ)料特征。

3.2 Transformer模型結(jié)構(gòu)

    本文中的Transformer模型由6個(gè)編碼器層和6個(gè)解碼器層堆疊組成。待校對(duì)文本在編碼器端輸入，正確文本在解碼器端輸入，通過(guò)監(jiān)督學(xué)習(xí)來(lái)訓(xùn)練模型。即訓(xùn)練階段將訓(xùn)練集中的輸入語(yǔ)料作為編碼器輸入，將對(duì)應(yīng)的正確語(yǔ)料作為解碼器的輸入；在測(cè)試階段將測(cè)試集的待校對(duì)語(yǔ)料作為編碼器的輸入，解碼器端無(wú)輸入，僅依賴前一時(shí)刻的解碼器輸出信息進(jìn)行校對(duì)。其整體結(jié)構(gòu)如圖3所示。

    編碼器層內(nèi)部包含兩個(gè)子層，即一個(gè)Self-Attention層和一個(gè)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(lái)自于前一個(gè)編碼器層，因此編碼器層的每個(gè)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(diǎn)不僅關(guān)注當(dāng)前信息，還能獲得上下文的語(yǔ)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(gè)線性變換和一個(gè)ReLU激活函數(shù)組成。計(jì)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(gè)子層，還添加了一個(gè)注意力子層對(duì)編碼器的輸出執(zhí)行多頭注意，其查詢向量來(lái)自于前一個(gè)解碼器層，鍵向量和值向量來(lái)自于編碼器的輸出，因此解碼器的每個(gè)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(diǎn)獲取到需要關(guān)注的重點(diǎn)內(nèi)容。此外，解碼器的Self-Attention子層加入了masked部分，其可以對(duì)某些值進(jìn)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(cè)只能依賴于之前的已知輸出。

3.3 Transformer模型實(shí)現(xiàn)過(guò)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(duì)輸入數(shù)據(jù)進(jìn)行Embedding，即詞嵌入，將輸入詞語(yǔ)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(guò)多頭注意力機(jī)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?yàn)門(mén)ransformer模型缺少對(duì)輸入序列中詞語(yǔ)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(gè)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(jì)算方法如式(3)、式(4)所示：

其中，pos是指當(dāng)前詞語(yǔ)在句子中的位置；i表示pos對(duì)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(gè)子層都加入了殘差連接和歸一化^[19]。子層先進(jìn)行殘差連接，避免誤差反向傳播時(shí)的梯度消失，接著對(duì)輸出進(jìn)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(jī)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(yǔ)，需要在最后一個(gè)解碼器層后添加一個(gè)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(gè)詞語(yǔ)，那最終Softmax層會(huì)輸出n個(gè)詞語(yǔ)分別對(duì)應(yīng)的概率值，概率值最大的對(duì)應(yīng)詞語(yǔ)就是最終的輸出結(jié)果。

4 結(jié)果與分析

    針對(duì)上述模型，本文設(shè)計(jì)了以下的實(shí)驗(yàn)。本實(shí)驗(yàn)運(yùn)行環(huán)境操作系統(tǒng)為Windows 10，CPU為Intel Core^TM i5-8265，GPU為GTX 1070Ti，運(yùn)行內(nèi)存8 GB。一共進(jìn)行4組實(shí)驗(yàn)，分別為傳統(tǒng)的Seq2Seq、加入BiLSTM的Seq2Seq、基于注意力機(jī)制的BiLSTM Seq2Seq與Transformer共4種模型。實(shí)驗(yàn)使用的數(shù)據(jù)集來(lái)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(yǔ)句對(duì)，將其中的700 000條作訓(xùn)練集，17 206條作測(cè)試集，劃分過(guò)程隨機(jī)。Src代表待校對(duì)語(yǔ)料，Trg表示原句所對(duì)應(yīng)的正確語(yǔ)料。數(shù)據(jù)集的統(tǒng)計(jì)數(shù)據(jù)如表1所示，分為訓(xùn)練集和測(cè)試集，統(tǒng)計(jì)了正確語(yǔ)料和錯(cuò)誤語(yǔ)料，以及分詞后的詞語(yǔ)總數(shù)。

    為了對(duì)不同模型的校對(duì)效果進(jìn)行評(píng)價(jià)，本次實(shí)驗(yàn)采用準(zhǔn)確率、召回率和F1值作為指標(biāo)，對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行評(píng)估，實(shí)驗(yàn)結(jié)果如表2所示。

    實(shí)驗(yàn)結(jié)果表明，BiLSTM和注意力機(jī)制均可以在傳統(tǒng)Seq2Seq模型的基礎(chǔ)上提升中文文本校對(duì)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(duì)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(duì)效果。

5 結(jié)論

    本文將Transformer模型應(yīng)用于中文文本自動(dòng)校對(duì)領(lǐng)域，通過(guò)公開(kāi)數(shù)據(jù)集對(duì)該模型的校對(duì)性能進(jìn)行驗(yàn)證，得出該模型的校對(duì)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(shí)驗(yàn)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(dòng)校對(duì)中的表現(xiàn)依然優(yōu)異，也為T(mén)ransformer模型應(yīng)用于其他自然語(yǔ)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(dòng)校對(duì)技術(shù)研究綜述[J].計(jì)算機(jī)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(dòng)校對(duì)系統(tǒng)設(shè)計(jì)與實(shí)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(wèn)答系統(tǒng)中的文本錯(cuò)誤自動(dòng)發(fā)現(xiàn)方法[J].中文信息學(xué)報(bào)，2013，27(3)：77-83.

[6] 劉亮亮，曹存根.中文“非多字詞錯(cuò)誤”自動(dòng)校對(duì)方法研究[J].計(jì)算機(jī)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(jì)相結(jié)合的中文文本自動(dòng)查錯(cuò)模型與算法[J].中文信息學(xué)報(bào)，2005，20(4)：1-8.

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

[9] 張仰森，鄭佳.中文文本語(yǔ)義錯(cuò)誤偵測(cè)方法研究[J].計(jì)算機(jī)學(xué)報(bào)，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(guó)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(gè)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(jì)算機(jī)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(diǎn)實(shí)驗(yàn)室，北京100048)