半监督短语挖掘：autophrase是什么？

论文地址：《Automated Phrase Mining from Massive Text Corpora》

git地址：

GitHub - shangjingbo1226/AutoPhrase: AutoPhrase: Automated Phrase Mining from Massive Text Corpora

wiki数据源：Index of /idwiki/latest/，选择pages-articles.xml.bz2

wiki数据处理参考：https://github.com/shangjingbo1226/AutoPhrase/blob/master/tools/wiki_entities/README.md

目录

简介：

1.短语需要满足什么条件？

2.算法流程

1）生成候选短语：

2）候选短语的质量预估

3）切分句子

 4）重新进行短语质量预估

3.研究方法

1）Robust Positive-Only Distant Training

2）POS-Guided Phrasal Segmentation

目录

简介：

1.短语需要满足什么条件？

2.算法流程

1）生成候选短语：

2）候选短语的质量预估

3）切分句子

 4）重新进行短语质量预估

3.研究方法

1）Robust Positive-Only Distant Training

2）POS-Guided Phrasal Segmentation（基于词性标注的短语切分）

4.实验效果

---

---

简介：

autophrase是一种半监督的新词发现的研究，是韩家炜团队在短语挖掘中的又一力作。它利用现有通用知识库（例如wiki）中出现的高质量短语，使用远程训练（减少人力投入）和a POS-guided短语切分（提升模型表现），仅需要极少人力就可以适应各个领域。

1.短语需要满足什么条件？

1)流行度，出现过一定次数

2)一致性，P(AB)>P(A)*P(B)

3)有信息量的

4)完备性，比如“机器学”其实不是一个完整的短语，因为它一般是作为“机器学习”的一部分出现的。

2.算法流程

1）生成候选短语：

使用n-grams挖掘可能存在的短语候选名单，可以设定最小支持度（例如30）和最大长度（例如6），生成一批满足条件的短语

2）候选短语的质量预估

 其中，「w1,w2...wn」表示这些词能否形成一个短语，Q(·)则是质量评估器，初始Q从数据的统计特征中学习，例如点间互信息（point-wise mutual information），point-wise KL divergence（点间KL散度）和IDF（逆文档频率），用这些信息来刻画之前提到的一致性和信息度。

对于unigrams，我们设置它的短语质量为1

3）切分句子

根据完备性，为每个句子选择最合适的切分方式，如下图

长江大桥

南京/市长/江大桥

 4）重新进行短语质量预估

根据新的切分方式，重新计算相关的短语频率以及短语质量，

重新计算短语频率：比如上图中的Great Firewall原先的频率是2（1和2中出现），但是修正过的词频是1（只有1中出现，2中被切分开了）

整合了重新分割后的词频，质量评估器Q(·)除了可以刻画之前提到的一致性和信息度，也可以对前面提到的完备性进行建模。

3.研究方法

1）Robust Positive-Only Distant Training

a)标签池

如整体流程图所示，我们将语料中命中wiki title/keywords和内链的候选短语视作高质量短语，作为正标签池，将剩余的候选短语作为负标签池，注意这里的负标签池是有噪声的，大概10%的高质量短语是被归为了负标签池，所以第二步就是要降噪。

b）降噪

直接在正负标签池中进行训练的话是不明智的，会错失一部分的正例，所以autophrase中使用集成模型（随机森林）来降低这部分误差。

 如图所示，每次从训练集中有放回的抽取K个样本作为“扰动训练集”，然后训练T棵树，集成模型的误差就是一半树预测错误的概率：

随着树的增加，整体误差随着p的变化情况（由于模型本身存在的偏差，T要设置的再大一些）

 

2）POS-Guided Phrasal Segmentation（基于词性标注的短语切分）

短语切分的一大挑战就是词语的完备性，我们利用浅层语义信息pos tagging来帮助我们解决这一问题。

先将语料集分为n个词性标注后的序列：Ω = Ω1Ω2 . . . Ωn

其中Ωi=，wi是第i个单词，ti是第i个单词的词性标注，基于词性标注的短语切分就是指将一段这么一个序列切分成m个片段，B = {b1, b2, . . . , bm+1} ，其中1 = b1 < b2 < . . . < bm+1 = n+1，第i个片段就是ΩbiΩbi+1 . . . Ωbi+1−1，词性标注质量评估器：T(t[l,r)) 

对于一个词性标注序列：NN NN NN VB DT NN，一个好的词性标注评估器会返回：

T(NN NN NN) ≈ 1 并且T(NN VB) ≈ 0

公式为：

δ(tx, ty) 表示tx和ty在短语中相邻且tx在ty之前的概率，公式的前半部分表示在br-1和br之间切分的概率，后半部分表示t[l,r) 同属一个短语的概率。整个公式更倾向于长的分词结果，因为对于
任意的i>1，总会乘上δ(ti−1, ti) 或者 (1 −δ(ti−1, ti)) 其中之一的结果。
在数学上，δ(tx, ty) 表示为：
δ(tx, ty) = p(「. . . w1w2 . . .」|Ω,tag(w1) = tx ∧ tag(w2) = ty)，随着短语分割而不断学习。

我们现在有了短语质量评估器Q和词性标注质量评估器T，定义基于词性标注序列Ω 和分割索引序列B = {b1, b2, . . . , bm+1} 的联合概率分布为：

给定pos tag序列t和开始索引bi，以如下过程生成：
1.根据词性标注质量，生成结束索引bi+1
p(bi+1|bi, t) = T(t[bi,bi+1))
2.根据首尾两端的索引，根据多项式分布，生成w[bi,bi+1) 
p(w[bi,bi+1)|bi, bi+1) = p(w[bi,bi+1)|bi+1 − bi)
3.根据短语质量，判断 w[bi,bi+1)是否是一个高质量的短语
p(dw[bi,bi+1)c|w[bi,bi+1)) = Q(w[bi,bi+1))

4.实验效果

在多领域多语言的环境下，都取得了sota的结果，且相比于他们之前的segphrase，需要更少的人工标注。