基于深度學(xué)習(xí)的中文至拼音首字母自動(dòng)轉(zhuǎn)化方法

胡升澤 蔡偉柯 何春輝*

（1、國(guó)防科技大學(xué)信息系統(tǒng)工程重點(diǎn)實(shí)驗(yàn)室，湖南 長(zhǎng)沙410073 2、國(guó)防科技大學(xué)教研保障中心，湖南 長(zhǎng)沙410073）

隨著搜索引擎和智能技術(shù)的快速發(fā)展，很多系統(tǒng)都集成了中文首字母快速檢索功能。較常見(jiàn)的有KTV 點(diǎn)歌系統(tǒng)中歌曲名稱的搜索以及智能電視中電視劇或電影名稱的搜索等。它不同于傳統(tǒng)的搜索引擎，為了提升用戶的體驗(yàn)效果，它通常會(huì)簡(jiǎn)化用戶的輸入操作，只需用戶按順序輸入檢索內(nèi)容的首字母，無(wú)需輸入檢索條件的全部?jī)?nèi)容，這樣可以降低用戶的輸入難度，從而提升用戶的檢索體驗(yàn)。

這種基于首字母構(gòu)建的快速檢索系統(tǒng)雖然可以大大提升用戶的體驗(yàn)效果。但它也面臨著一個(gè)亟待解決的核心問(wèn)題，即如何高效、準(zhǔn)確的完成中文至拼音首字母的自動(dòng)轉(zhuǎn)換。眾所周知，中文是一種很特殊的語(yǔ)言，它除了常見(jiàn)的單音字之外，還包含很多的多音字。對(duì)于單音字而言，漢字至拼音首字母的自動(dòng)轉(zhuǎn)換比較簡(jiǎn)單，但是對(duì)于多音字的漢字至拼音首字母的自動(dòng)轉(zhuǎn)換是一個(gè)較復(fù)雜的任務(wù)，它需要依賴上下文語(yǔ)義信息才能正確的完成自動(dòng)轉(zhuǎn)換。華逢兆采用漢字的分級(jí)結(jié)構(gòu)實(shí)現(xiàn)了漢字轉(zhuǎn)化為拼音首字母的功能[1]。這種方法雖然可以在大部分情況下完成漢字至拼音首字母的轉(zhuǎn)換任務(wù)，但是它的轉(zhuǎn)換準(zhǔn)確率還有待進(jìn)一步提升，尤其是面臨多音字的正確轉(zhuǎn)換顯得捉襟見(jiàn)肘。

近來(lái)，隨著硬件水平的提升使得深度學(xué)習(xí)算法在文本挖掘領(lǐng)域得到了廣泛的應(yīng)用[2]。因此，文章引入了深度學(xué)習(xí)算法來(lái)提升中文至拼音首字母的自動(dòng)轉(zhuǎn)換性能。在數(shù)據(jù)標(biāo)注階段，將需要轉(zhuǎn)化的中文和它所對(duì)應(yīng)的拼音首字母進(jìn)行編碼形成序列映射。最后用這些標(biāo)注過(guò)的數(shù)據(jù)來(lái)完成深度學(xué)習(xí)模型的訓(xùn)練。

1 中文至拼音首字母自動(dòng)轉(zhuǎn)換算法

由類型來(lái)分，中文至拼音首字母的自動(dòng)轉(zhuǎn)換可以歸為自然語(yǔ)言處理[3]中的序列標(biāo)注任務(wù)。考慮到Bi-LSTM-CRF（雙向長(zhǎng)短時(shí)記憶條件隨機(jī)場(chǎng)）[4]序列標(biāo)注模型在很多任務(wù)上都取得了優(yōu)秀的表現(xiàn)。因此，文章采用了這種深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)來(lái)構(gòu)建中文至拼音首字母的自動(dòng)轉(zhuǎn)換算法。其結(jié)構(gòu)如圖所示.

由圖可知，自動(dòng)轉(zhuǎn)換算法一共包含了8 個(gè)層次。首先是輸入序列層，實(shí)現(xiàn)中文字符串的輸入。接下來(lái)是字符向量嵌入層，用來(lái)完成中文字符的向量化表示。核心部分是雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)層，它利用前向-LSTM層和反向-LSTM層來(lái)獲取上下文的特征。其次通過(guò)隱藏層來(lái)實(shí)現(xiàn)數(shù)據(jù)轉(zhuǎn)換。再次再利用條件隨機(jī)場(chǎng)層給出最佳的序列預(yù)測(cè)結(jié)果。最后再結(jié)合單音字首字母映射表對(duì)預(yù)測(cè)結(jié)果中的單音字首字母進(jìn)行微調(diào)并輸出最終的首字母序列標(biāo)注結(jié)果。

2 數(shù)據(jù)預(yù)處理

2.1 數(shù)據(jù)集獲取

為了驗(yàn)證算法的性能，利用開(kāi)源的網(wǎng)絡(luò)爬蟲(chóng)工具WebMagic①?gòu)亩拱觌娪阿诰W(wǎng)站中爬取到5 萬(wàn)部中文電視劇或電影名稱。此外，還融合了搜狗實(shí)驗(yàn)室對(duì)外公開(kāi)的精簡(jiǎn)版③新聞數(shù)據(jù)集包含的全部中文新聞標(biāo)題共同作為模型訓(xùn)練和測(cè)試的原始語(yǔ)料。

Bi-LSTM-CRF 中文至拼音首字母自動(dòng)轉(zhuǎn)換算法的結(jié)構(gòu)圖

2.2數(shù)據(jù)的標(biāo)注

漢字至拼音首字母標(biāo)注需要將輸入的中文漢字字符序列對(duì)應(yīng)的轉(zhuǎn)換為這些字符所對(duì)應(yīng)的拼音首字母序列的形式。根據(jù)中文的相關(guān)拼音發(fā)音標(biāo)準(zhǔn)，約定整個(gè)標(biāo)注數(shù)據(jù)中只包含24 類不同的字符標(biāo)簽。這些標(biāo)簽分別為3 個(gè)單韻母和20 個(gè)聲母以及1 個(gè)非中文的統(tǒng)一映射符。像電視劇名稱“《快樂(lè)成長(zhǎng)》”，就將它對(duì)應(yīng)的字符序列標(biāo)注為“-KLCZ-”。因?yàn)檎麄€(gè)數(shù)據(jù)集較大，其中將80%作為訓(xùn)練數(shù)據(jù)集，15%作為驗(yàn)證數(shù)據(jù)集，5%作為獨(dú)立測(cè)試集。在數(shù)據(jù)標(biāo)注階段，文章借助了中文到拼音開(kāi)源的自動(dòng)轉(zhuǎn)換工具HanLP 并結(jié)合人工校正的方式來(lái)完成數(shù)據(jù)的標(biāo)注。最后，使用上述標(biāo)注方式得到的標(biāo)注數(shù)據(jù)來(lái)完成深度學(xué)習(xí)模型的訓(xùn)練、驗(yàn)證和測(cè)試。

3 實(shí)驗(yàn)分析

3.1 評(píng)測(cè)指標(biāo)

在文章的實(shí)驗(yàn)評(píng)測(cè)環(huán)節(jié)，采用平均準(zhǔn)確率來(lái)評(píng)估模型的性能。準(zhǔn)確率的定義如下：對(duì)于一個(gè)輸入的中文序列，如果拼音首字母自動(dòng)轉(zhuǎn)換方法能將它映射成一個(gè)完全正確的首字母序列，意味轉(zhuǎn)換成功，只要轉(zhuǎn)換結(jié)果中包含一個(gè)錯(cuò)誤首字母意味轉(zhuǎn)換失敗。對(duì)于平均準(zhǔn)確率的計(jì)算，需要統(tǒng)計(jì)所有參與評(píng)測(cè)的樣本總數(shù)中轉(zhuǎn)換成功的數(shù)量，并用它除去參與評(píng)測(cè)的樣本總數(shù)。它的計(jì)算公式如下：

3.2 實(shí)驗(yàn)結(jié)果

為了充分的驗(yàn)證模型性能，采用獨(dú)立測(cè)試數(shù)據(jù)集對(duì)條件隨機(jī)場(chǎng)、Bi-LSTM-CRF 以及結(jié)合單音字首字母映射表進(jìn)行微調(diào)的Bi-LSTM-CRF 這3 種不同的模型進(jìn)行了實(shí)驗(yàn)對(duì)比，并結(jié)合平均準(zhǔn)確率指標(biāo)對(duì)不同模型的性能進(jìn)行評(píng)估。相關(guān)的實(shí)驗(yàn)結(jié)果如表所示。

不同模型在獨(dú)立測(cè)試數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果

根據(jù)表的實(shí)驗(yàn)結(jié)果可知，不同模型之間存在一定的差距。CRF 的平均準(zhǔn)確率為94.1%，Bi-LSTM-CRF 模型取得了99.3%的平均準(zhǔn)確率，但是在結(jié)合單音字首字母映射表進(jìn)行微調(diào)后，微調(diào)的Bi-LSTM-CRF 模型的平均準(zhǔn)確率高達(dá)99.7%。

4 結(jié)論

在中文至拼音首字母自動(dòng)轉(zhuǎn)換任務(wù)上，文章提出了基于深度學(xué)習(xí)的中文至拼音首字母自動(dòng)轉(zhuǎn)換方法，實(shí)驗(yàn)結(jié)果表明這種方法可以有效的提升多音字的轉(zhuǎn)換準(zhǔn)確率，且在融入單音字首字母映射表后可以有效提升中文至拼音首字母轉(zhuǎn)換模型的性能。

注釋

①https://www.oschina.net/p/webmagic.

②https://movie.douban.com/.

③https://www.sogou.com/labs/resource/cs.php.