论文浅尝 | 利用多语言 wordnet 上随机游走实现双语 embeddings
论文笔记整理：谭亦鸣，东南大学博士生，研究方向为知识图谱问答。
来源：Knowledge Based System
链接：https://www.sciencedirect.com/science/article/abs/pii/S0950705118301412?via%3Dihub
双语word embedding将两种语言表示与同一个空间中，使之不依赖机器翻译的情况下，实现知识从某一语言到另一语言的转换。实现这一方法的主要流程包括：1.训练单语embedding；2. 利用双语词典构建双语映射关系。不同于这一做法，本文提出基于多语言知识库（例如wordnet）的双语embedding方法，基本思路是通过在多语言wordnet上随机游走抽取出双语信息，而后学习到联合embedding空间中。
动机
现有的方法主要基于双语词典构建不同语言之间的桥梁，作者认为双语词典虽然给出了基本的对齐信息，但是以wordnet为代表的多语言知识库则可以在基本对齐的基础上增加同义，上下位关系等等更多的语义信息，这些可以用于构建更高质量的双语embedding。
贡献
提出了一种基于多语言知识库上随机游走的双语embedding方法
探究了从wordnet中抽取双语约束改进Skipgram的loss-function的方法
利用wordnet构建双语人工语料，并与单语数据集结合用于改进embedding方法
方法
带有约束的双语embedding
关于Skipgram
Skipgram是一种利用当前词w预测其上下文文本c的模型，目标为通过文本语料学习参数θ，使得概率P(c|w;θ)最大化。本文主要关注Skipgram中负样本在损失函数中的表现形式如下所示：
其中，（w, c）表示语料中的词w及其共现文本中的词c（共现文本由设定为K的窗口参数确定），cn表示负样本文本的词，P(c)表示噪声分布（负样本集）
引入双语约束
对于不同语言的单语语料，获得双语embedding的直接方式就是从句子级别对他们进行融合，而后利用其中的公用词，比如数字，专有名词等等作为桥梁找寻双语文本中的共现成分。但是显然这种公用词的数量是不足以构建高质量embedding的。
一种强化联合embedding空间的方式是对于上述loss-function添加约束，这种约束一般来自于外部数据，提供诸如句法，相关词等等信息。作者在这里使用基于双语词典的对等翻译，强制规范原始词与其另一种语言的对等词之间的距离，从而得到如下改进loss-function：
知识库随机游走
随机游走的目的是从知识库中获取能够反映结构信息的共现数据，从而用于构建wordrepresentations。
单语随机游走
首先，文章给出了单语图谱上的随机游走算法，对于给定图谱G=(C, E)，其中C表示概念集，E表示概念之间的边集合。N(c)表示c在图谱上的邻居节点集，D(c)表示c可能的词汇化表达，SC表示游走结果集，S表示每一轮循环游走得到的节点路径集。
算法过程描述如下：
初始化SC为空集
根据预先定义的概率分布从C中选择一个c
根据预先定义的概率分布从c的邻居中随机选择N(c)，及c的词汇化表达D(c)
重复2，3步直到达到游走步数I
从而得到图谱随机游走生成的文本，该文本带有语义结构信息(从语法上不一定成句子)。
利用生成文本（或者说词序列）从自然语言语料中抽取成分共现的句子，从而得到带有结构信息的自然语言语料
双语随机游走
为了实现多语言知识库上的随机游走，作者在算法1的基础上进行以下改进：
将单语词汇化表达D(c)变为双语集，即对于某concept由两种语言的表达可选(当知识库没有相关对齐时，某一语言的表达可以为空)，修改效果如算法2，添加了一个随机选择D(c)的语言步骤，其他与单语算法基本一致。
这样得到的输出序列可能同时包含两种语言的词汇，同样，利用单语文本共现抽取，可以构建该序列的自然语言句子。
实验
数据方面使用到了Wikipedia corpora以及wordnets
语言方面包含Basque，English，Spanish等版本（具体见原文）
一些统计信息如下：
这篇文章的实验做的比较细，部分实验结果如下：
添加双语约束实验
随机游走实验
推荐阅读：
论文浅尝 | 基于属性嵌入的知识图谱实体对齐
论文浅尝 | 基于图匹配神经网络的跨语言知识图对齐 (ACL 2019)
OpenKG
开放知识图谱（简称 OpenKG）旨在促进中文知识图谱数据的开放与互联，促进知识图谱和语义技术的普及和广泛应用。
点击阅读原文，进入 OpenKG 博客。