论文链接：https://arxiv.org/abs/1901.10125

论文简介

汉字是象形文字（logographic language），历经几千年的历史演变，是当今世界上依然被使用的最古老的文字。汉字与英文有本质的区别，因为大多数汉字的起源是图形，汉字的字形中蕴藏着丰富的语音信息。即便是不识字的人，有时候也可以大概猜到一个字的大概意思。

相反，英文很难从字形中猜出语义，因为英文是 alphabetic language，所基于的罗马字母反应更多的是文字的读音，而并不是语义。 

然而当今中文自然语言处理的方法，大多是基于英文 NLP 的处理流程：以词或者字的 ID 为基准，每一个词或者字有一个对应的向量，并没有考虑汉语字形的信息。 

Glyce 提出了基于中文字形的语义表示：把汉字当成一个图片，然后用卷积神经网络学习出语义，这样便可以充分利用汉字中的图形信息，增强了深度学习向量的语意表达能力。Glyce 在总共 13 项、近乎所有中文自然语言处理任务上刷新了历史记录。 

▲ 图1：与英文不同，中文是象形文字，字形中蕴藏着丰富的语义信息

论文详解

理论上将中文字符当成图片直接输入至卷积神经网络便可以。但是这样实现的效果并不好。Glyce 试图从三个方面解决这个问题： 

运用不同历史时期的中文字符

如今广泛使用的简体中文字符是经过漫长的历史演变而来的。简体中文书写更加方便，但是同时也丢失了大量的原始图形信息。Glyce 提出需要运用不同历史时期的中文字符，从周商时期的金文，汉代的隶书，魏晋时期的篆书，南北朝时期的魏碑，以及繁体、简体中文。这些不同类别的字符在语义上更全面涵盖了语义信息。

▲ 图2：Glyce提出运用不同历史时期的中文字符表示

提出符合中文字形的Tianzige（田字格）-CNN架构

Glyce 提出了一些修改 CNN 内部架构的意见，让模型更适合处理中文字形。主要的改进集中在两个方面，第一是为了防止过拟合，减小 CNN 中所涉及的参数量，比如将 conv 层变成 grouped conv。还有第二个比较有意思的点是最后一层通过 pooling 将图像输入变成 2*2 的 grids。文中提到这个模型非常符合中文的田字格模式，而田字格结构其实非常符合中文文字的书写顺序。

Multi-task Learning（多任务学习）

相比于图像分类任务大多有几百万或者上千万的训练数据，汉字只有上千个。即便算上不同字体，模型只能够见到几万个不同的字符图像样本。这对图像的泛化能力提出了挑战。

为了解决这个问题，Glyce 提出需要用图像分类任务作为辅助模型（auxiliary training objective）。CNN 输出的 glyph 向量将同时被输入到基于字符的分类任务中。实际的训练函数是 task-specific 的损失函数和字形图像识别损失函数的线性加权：

▲ 图3：Glyce字向量与Glyce词向量

Glyce中文字向量

Glyce 将来自不同历史时期的相同字符堆积形成不同的 channel，并且通过 CNN 对这些图像信息进行编码得到了 glyph 向量。得到的 glyph 向量输入到图像分类模型得到字形图像识别的损失函数。然后通过 highway network 或者全连接的方式将 glyph 向量和对应的中文 char-id 向量进行结合得到了最终的 Glyce 中文字向量。

Glyce中文词向量 

由于中文的词都可以看成是由中文的字组成，Glyce 通过充分利用组成中文词中的汉字得到更加细粒度的词的语意信息。使用 Glyce 字向量的方式得到词中的对应字的表示。

因为中文词中字的个数的不确定性，Glyce 通过 max pooling 层对所有得到的 Glyce 字向量进行特征的筛选，用来保持了维度的不变性。最终得到的向量通过和 word-id 向量进行拼接得到最终的 Glyce 中文词向量。

实验

使用 Glyce 的编码方式分别在：（1）字级别语言模型（2）词级别语言模型（3）中文分词（4）命名实体识别（5）词性标注（6）句法依存分析（7）语义决策标注（8）语义相似度（9）意图识别（10）情感分析（11）机器翻译（12）文本分类（13）篇章分析，共 13 个中文自然语言处理任务上进行了实验。

实验结果刷新了所有实验任务的记录，充分展示了 Glyce 在中文向量语意表示编码的有效性和鲁棒性，并且展示了 Glyce 的设计优势。

字级别语言模型

字级别语言模型采用了 Chinese Tree-Bank 6.0 （CTB6.0）语料，并且采用 PPL（困惑度）作为最终的评价指标。通过使用 8 种历史字体和图像分类的损失函数，基于字级别的语言模型的 PPL（困惑度）达到了 50.67。

词级别语言模型

词级别的语言模型采用了 Chinese Tree-Bank 6.0 （CTB6.0）语料，并且采用 PPL（困惑度）作为最终的评价指标。经过对照实验，word-ID 向量和 glyce 词向量在词级别的语言模型上效果最好，PPL（困惑度）达到了 175.1。

中文分词

中文分词任务采用了 CTB6，PKU 和 Weibo 的数据集。Glyce 字向量结合之前最优的模型 Lattice-LSTM 在 CTB6 和 Weibo 数据上达到了新的最优的结果。在 PKU 的数据上达到了呵之前最优结果相同的结果。

命名实体识别

命名实体识别采用了 OntoNotes，MSRA 和 resume 的数据集，并且采用 F1 作为最终的评价指标。实验结果表示，Glyce-char 模型刷新了这三个数据集的新纪录。在 OntoNotes，MSRA，Resume 上分别超过了之前最优模型 Lattice-LSTM 0.93，0.71 和 1.21 个点。

词性标注

词性标注采用了 CTB5， CTB6，UD1 的数据集。单个模型使用 Glyce 词向量在 CTB5 和 UD1 数据上分别超过之前的 state-of-the-art 1.54 和 1.36 个百分点。Glyce 单模型效果在 CTB5 和 UD1 上超过之前多模型集合的最优结果。 

句法依存分析

句法依存分析采用了 Chinese Penn Treebank 5.1 的数据。Glyce 词向量结合之前最优的 Biaffien 模型把结果在 UAS 和 LAS 数据集上和最优结果比较分别提高了 0.9 和 0.8。

语义决策标注

语义决策标注的实验采用了 CoNLL-2009 的数据，并且采用 F1 作为最终的评价指标。最优模型 k-order pruning 和 Glyce 词向量超过了之前最优模型 0.9 的 F1 值。

语义相似度

语义相似度的实验采用了 BQ Corpus 的数据集，并且采用准确率和 F1 作为最终的评价指标。Glyce 字向量结合 BiMPM 模型在之前最优结果的基础上提高了 0.97 个点，成为了新的 state-of-the-art。

意图识别

意图识别的任务使用了 LCQMC 的数据集进行了实验，并且采用准确率和 F1 作为最终的评价指标。通过训练 BiMPM 结合 Glyce 字向量在 F1 上超过了之前的最优结果 1.4，在 ACC 上超过了之前的最优结果 1.9。

情感分析

情感分析的任务采用了 Dianping，JD Full, JD Binary 三个数据集，并且采用准确率作为最终的评价指标。Glyce 字向量结合 Bi-LSTM 模型分别在这三个数据集上面取得了最优的结果。

中文-英文机器翻译

中文-英文机器翻译任务的训练集来自 LDC 语料，验证集来自 NIST2002 语料。测试集分别是 NIST2003，2004，2005，2006 和 2008，并且采用 BLEU 作为最终的评价指标。Glyce 词向量结合 Seq2Seq+Attention 模型，测试集上 BLEU 值达到了新的最优结果。

文本分类

文本分类的任务采用了 Fudan corpus, IFeng, ChinaNews 三个数据集，并且采用准确率作为评价指标。Glyce 字向量结合 Bi-LSTM 模型在这三个数据集上分别取得了最优的结果。

篇章分析

篇章分析的任务采用了 Chinese Discourse Treebank （CDTB）的数据集，并且采用准确率作为评价指标。采用了之前 SOTA 模型 RvNN 和 Glyce 字向量，刷新了在 CDTB 数据上的准确率的最优结果。

总结

提出的 Glyce 的中文字符级表示模型，通过使用不同历史时期的字符图像，丰富了中文字向量和词向量的语意信息。通过使用 Glyce 对中文字符的建模方式，我们刷新了几乎所有的中文自然语言处理任务的 state-of-the-art。Glyce 的成功为以中文为代表的象形文字提供了新的研究方向。

文章作者

Glyce 作者数量多达九个。Wei Wu（吴炜）与 Yuxian Meng（孟昱先）并列为第一作者。Wei Wu（吴炜）在字符级语言模型任务上设计并实现了第一个 Glyce-char 模型。Yuxian Meng（孟昱先）提出了 Tianzige-CNN 结构，图像分类作为辅助目标函数和衰变 λ。Jiwei Li（李纪为）提出使用不同历史时期的中文字符。Yuxian Meng（孟昱先）负责词级语言模型和意图分类的结果；Wei Wu（吴炜）负责中文分词，命名实体识别和词性标注的结果。Qinghong Han（韩庆宏）负责语义角色标注的结果；Xiaoya Li（李晓雅）负责中文-英文机器翻译的结果；Muyu Li（李慕宇）负责句法依存分析和词性标注的结果；Mei Jie（梅杰）负责篇章分析的结果；Nie Ping（聂平）负责语义相似度的结果；Xiaofei Sun（孙晓飞）负责文本分类和情感分析的结果。Jiwei Li（李纪为）为 Glyce 通讯作者。