语义相似度(实践篇)

这篇文章，专门讲语义相似度问题。

先看场景：

scene(一)：用户通过大众点评，线上约了餐馆，就餐后在上面发表了很多评论，评论中涉及了大量的餐馆的问题，比如菜品质量，酒店卫生，服务等等。现在需要抽取之中的要点，然后反馈给商家。

scene(二)：KB_QA的两个问题：①获取question的语义表示②把语义表示转换成知识图谱的能够理解的语言逻辑形式。无论是核心推导链还是向量建模，核心都是question和answer的语义相似度问题。

虽然学术界对于语义相似度问题，都说是热点和难点，但是他到底难在哪里？今天有必要探讨一下。首先，衡量两个表达的之间的相似度，是通过语义级别，而语义属于认知层面，这给研究带来带来了很大的难度。因为目前的联结主义，仅仅能解决语义表示，无法学习逻辑推理。其次，理解一句话或者一段话的语义，不是单纯靠归纳总结能力，还需要借助外部知识，就是说这句话表达了什么样的事件，这个事件可能会关联到很多实体，关系，路径。两个句子之间的关系，路径的交集一定程度上代表了语义的重合度。之前的研究，都是靠单纯靠联结主义，包括开头的两个场景，都是这个思路。

从算法角度来看的话，探索基于知识图谱的非监督学习是一个方向，目前有学者在研究；另外一个就是监督学习了，主要是借助深度学习。目前大部分的相似度改进，仍然是后者，前者的难度，对于工业界来说，非常大。从工业界的角度来看，最简单的相似度当然是元积了，比如著名的word2vector可以做词级别的语义相似度。通过简单的dot问题，确实能解决一些相似度问题，但是对于高精度的场景，实在是太粗糙了。如果单纯运用联结主义解决相似度的话，有三个个问题需要解决：①语义表示的丰富性②语义表示差异性的衡量以及打分函数，这影响到精准性以及语义消失问题③相似度的颗粒度问题。

以KB_QA作为切入点：场景是Ai第一要素，之前有很多人抛开场景研究相似度问题，比如用深度学习总结出语义表示后直接用元积或者cos，存在这种想法的人不在少数。这样的研究，没有任何意义。既然涉及到相似度，一定是句子对儿，或者文档对儿，我们一定要考虑双方的情况，不同的场景，不同的分析。那么KB_QA，涉及到question和answer，我们需要单独研究每一个对象。首先看question，举个例子：whtat's the name of Obama's wife?先用信息抽取的方法分析这句话，如果熟悉信息抽取的话，可以忽略以下。一个问题，涉及到问题词qword，焦点词qfocus，主题词topic和中心动词qverb。其中qword比如what,who,where代表了问题的类型，比如where映射为type.location。qfocus代表了答案的类型，这是非常重要的参考标准，比如问句中的name。topic代表了问句中的主题，或者说是知识图谱中的推理的根节点，比如Obama。然后qverb一定程度上表明了topic和answer之间的一种关系，或者说是约束，当然其他的短语关系，也可以对topic构成一定的约束，比如：who first voiced Meg on Family Guy? Meg on Family Guy这个短语中，Meg对topic构成了一定的约束关系，包括出现of+topic短语，这在语言逻辑形式上往往是joint关系。明白了这些关系后，我们就知道衡量quesiton和anser之间的语义相似度，绝非是简单的cos！我们一定兼顾到question和anser之间的约束关系，因为KB_QA，本质上就是知识图谱的查询问题，只不过这个查询是通过一步步施加约束，缩小搜索范围最后得到答案。而每一步施加约束后，我们都会得到相应的奖励得分。

what's the name of Obama's wife?这句话得到了topic后，可以用multi-hot，也就是词袋模型来表示他的语义。然后answer，我们考虑三方面的约束关系：answer type，answer path，answer context,同样用multi-hot的词袋模型来表示，最后用dot做相似度。这个想法非常简单，但是缺陷非常多，语义相似度如果这么做的话，效果一定非常差。第一，类似于word2vector的词袋模型，在语义表示上不够丰富，不能考虑到语言的顺序；第二，在相似度颗粒度上，还是很粗糙，尽管考虑了answer的三个方面，但是这三个方面应该分开单独和question做相似度得分。基于这两个缺陷，我们改进为：用CNN抽取出question的三个方面的语义表示，然后答案的三种约束，单独和question的语义求相似度得分：

这样兼顾了语意表达的丰富性和相似度颗粒度问题。这个方案仍然有改进空间，方向就是语义表示的多维度问题。抛开场景，之前textCNN在文本分类中取得了成功，CNN抽取语义表示，类似于n-gram原理，比如过滤器设置为（2,3,4），分别代表2-gram,3-gram,4-gram。目前这个方案已经有了更好的，那就是BILSTM+self_attention。self_attention在捕捉一句话语义的多维度方面，有着非常大的优势，已经成为语义表示的baseline，所以把前面的方案替换为self_attention。（attention的类型很多，比如local，global，但是大多需要借助额外的语义表示，而且不能捕捉语义的多维度，self_attention是一种突破）

前面的基于向量建模的语义相似度方案，仍然存在缺陷，对于稍微复杂的问题，比如涉及到时序性的推理，或者multi-hot推理，显得略微吃力一些。向量建模其实还没有真正触及语言逻辑问题，只有融合了深度学习，语言逻辑，向量建模，规则，问答才能真正强大起来。语义解析的过程，我们换一种角度来研究。传统的语义解析，是一下子全部映射为查询语言，先经过lexicon映射，然后构建语法树。但是这个过程我们分解为多个步骤，不用一下子构建语法树，分解的好处是可以融合向量建模，信息抽取的思路，更方便地与深度学习，知识图谱融合。它其实是query graph的过程，在query的过程中不断施加约束，而每个环节施加的约束，或者说是action会有多个，我们可以从中选择出与quesion相似度得分最高的那个action作为最优的action,如此不断地施加约束，缩小范围，得到最终的结果。这就是微软著名的query graph，一下子提升了7.5个F1_score，这个提升在业内是比较罕见的。启发式的搜索算法很简单：

核心问题其实还是约束与question的语义相似度，在做core inferential chain与quesion的相似度时，颗粒度做的很细：

question和constraint,都是用CNN来抽取语义表示，然后dot。

从以上案例，我们看出，语义相似度，即使不考虑融合知识图谱的情况下，也绝不是很多人想的那样想当然。到现在为止还没有解决大众点评的问题，这个问题，明显不同于KB_QA，是另一个场景。

我们先来分析一下：之前我说过，研究深度学习，先把人自身的逻辑研究明白了，否则不会有突破，可能会走弯路。如果人工来抽取的话，你会怎么做？是一种怎样的逻辑？一定是这样的情景：在阅读用户的评论时，当读到了关于菜品质量的描述，我们做一个标记，抽取出来，当遇到卫生问题时，执行同样的逻辑。那么问题来了，人怎么知道要抽取哪些东西？他怎么知道这个要点是商家需要的？一定是在抽取之前，大脑中已经有了对应的抽取范围，他知道要抽取哪些东西。所以这个secene解决很容易：首先收集关于餐馆问题的问题模板，尽量涵盖范围大一些，接下来就是要运用本人之前研究的siamese lstm(用self_attention改进后的方案)做语义相似度，问题迎刃而解，具体细节不走论述了。这里有一个重要的问题，抽取要点是有数量限制的，得到相似度得分之后，抽取出top K,这样做不太好，要设定得分阈值，低于这个阈值的，就pass掉。这类问题，用基于规则，效果会非常差，因为用户的评论，涉及到了情感倾向，而且会经常出现语义转折，长句子。对于这样的场景，语义表示的丰富性，多维度，非常重要了。

总结一下，语义相似度，在不考虑知识图谱的情况下，核心问题：①获取丰富的多维度的语义表示②语义表示做差后的打分函数映射，比如用ma距离衡量后用exp(-||x1 - x2||1)③颗粒度问题。另外非监督学习的方法，也可以探索，但是场景受限，准确度遭受工业界质疑。

到此为止了，今后的研究，会更多结合外部知识，融合知识图谱做语义重合度，推进语义理解的进步。

关于语义相似度的更多细节，请看本人的这篇博客：https://blog.csdn.net/randy_01/article/details/79973249