研究背景

縮略詞是單詞或短語的縮寫形式。為了方便寫作和表達(dá)，在文本中提及某個(gè)實(shí)體時(shí)，人們傾向于使用縮寫名稱而不是它的完整形式（名稱）。理解縮略詞，尤其是實(shí)體的縮寫名稱，是知識(shí)圖譜構(gòu)建和應(yīng)用的關(guān)鍵步驟?？s略詞處理主要包括三個(gè)任務(wù)：縮略詞擴(kuò)展，縮略詞識(shí)別和提取，以及縮略詞預(yù)測(cè)。毫無疑問，縮略詞處理在各種自然語言處理 （NLP） 任務(wù)中發(fā)揮著重要作用例如信息檢索、實(shí)體鏈接等任務(wù)。

在本文中，我們重點(diǎn)關(guān)注縮略詞處理的第三個(gè)任務(wù)，即縮略詞預(yù)測(cè)，其目標(biāo)是預(yù)測(cè)實(shí)體完整形式的可能縮寫形式?？s略詞實(shí)際上是一個(gè)子序列，由一個(gè)詞或一些字符按完整形式的順序排列。不同于英文縮略詞（通常是首字母縮略詞），中文縮略詞形式更加復(fù)雜多樣。

如表 1 所示，縮略詞可以是位于實(shí)體完整形式中的第一個(gè)詞（“復(fù)旦”）也可以是最后一個(gè)詞（“迪士尼”），并且可能包含實(shí)體中一些不連續(xù)但有序的字符（“北大”）。而且，一個(gè)實(shí)體的縮略詞可以有多種形式（“央視”或“中央臺(tái)”）。因此，作為一項(xiàng)更具挑戰(zhàn)性的任務(wù)，中文縮略詞預(yù)測(cè)已成為近年來的研究熱點(diǎn)。

▲ 表1. 中文縮略詞的幾個(gè)實(shí)例

現(xiàn)有的中文縮略詞預(yù)測(cè)方法可以被認(rèn)為是基于特征的方法。它們通常是將縮略詞預(yù)測(cè)作為序列標(biāo)記問題，即對(duì)每個(gè) token 作二分類，去判斷是否該字符是否應(yīng)保留在縮略詞中。盡管取得了成就，但以前的方法仍然有以下缺點(diǎn)：一方面，他們只使用轉(zhuǎn)移矩陣來尋找最高概率的標(biāo)簽，未能充分利用標(biāo)簽依賴關(guān)系；另一方面，他們忽略了實(shí)體相關(guān)文本的豐富信息，只利用實(shí)體本身的語義。事實(shí)上，我們可以獲取足夠的與給定實(shí)體相關(guān)的文本例如百度百科文本、景點(diǎn) POI 實(shí)體評(píng)論和 query 文本，能提供模型預(yù)測(cè)縮寫的信號(hào)。

為了解決這些問題，我們將中文縮略詞預(yù)測(cè)看作從全稱實(shí)體序列到縮略詞序列的定長(zhǎng)機(jī)器翻譯任務(wù)。貢獻(xiàn)包括，首先，我們提出了一種用于中文縮略詞預(yù)測(cè)的序列生成模型。其次，我們將實(shí)體相關(guān)上下文納入中文縮略詞預(yù)測(cè)任務(wù)，為模型提供了更多語義信息。最后，我們構(gòu)建了旅游中文縮略詞數(shù)據(jù)集。此外，我們?cè)陲w豬搜索系統(tǒng)上部署的縮略詞實(shí)現(xiàn)了 2.03% 的轉(zhuǎn)化率提升。

研究框架

問題建模：針對(duì)給定的一個(gè)全稱實(shí)體 和其對(duì)應(yīng)的相關(guān)文本，CETAR 能生成一個(gè)其對(duì)應(yīng)的縮略詞序列。

模型框架：我們的模型框架由上下文增強(qiáng)編碼器和縮略-恢復(fù)解碼器組成。圖 2 是 CETAR 模型架構(gòu)框架圖。

▲ 圖2：基于上下文增強(qiáng)和縮略-恢復(fù)策略的縮略詞transformer框架圖

2.1 上下文增強(qiáng)編碼器

首先，將實(shí)體的完整形式 x 及其相關(guān)文本 d 都輸入到這個(gè)模塊。使用與 BERT 相同的初始化操作得到初始 embedding，以及它們的位置 embedding 一起輸入 transformer encoder block，生成一些重要的特征表示。為了減少數(shù)據(jù)的噪音，最終只取實(shí)體對(duì)應(yīng)的隱狀態(tài)輸入到解碼器當(dāng)中，以便后續(xù)的解碼。

2.2 縮略-恢復(fù)解碼器

這是我們模型生成縮略詞序列的關(guān)鍵模塊。它是用 transformer decoder block 和縮寫及恢復(fù)策略對(duì)應(yīng)的兩個(gè)分類器分別構(gòu)成。整個(gè)解碼過程是實(shí)際上是一個(gè)迭代的過程。具體來說，在每一輪開始時(shí)，輸入上一輪過程輸出的由 n+2 個(gè) token 組成的 token 序列。然后，每個(gè) token 的初始 embedding 附加其位置 embedding，伴隨著解碼器的輸出 H， 然后輸入第一個(gè) transformer decoder block。最后，我們將最后一個(gè) block 輸出的隱藏狀態(tài)作為后續(xù)兩個(gè)分類器的輸入。

隨著所有標(biāo)記的隱藏狀態(tài)，縮寫分類器或恢復(fù)分類器判斷序列中哪個(gè) token 應(yīng)該縮寫或恢復(fù)。在第k輪解碼過程中，縮寫分類器首先判斷序列中的每個(gè) token 是否應(yīng)該縮寫。類似地，恢復(fù)分類器判斷序列中每個(gè)特殊的縮略詞*是應(yīng)該保留還是恢復(fù)到相同位置的源 token。如下式所示，其中：

縮略分類器：

恢復(fù)分類器：

最后，縮略詞序列中的所有 * 都被刪除，并且因此我們得到了源實(shí)體的最終縮略詞。

實(shí)驗(yàn)結(jié)果

我們將 CETAR 與基線模型在三個(gè)中文縮寫數(shù)據(jù)集上進(jìn)行了比較，其中兩個(gè)屬于通用領(lǐng)域，一個(gè)屬于特定的景點(diǎn)領(lǐng)域。后者是基于阿里飛豬景點(diǎn) POI 實(shí)體及其別名構(gòu)建的中文縮略詞數(shù)據(jù)集。對(duì)于通用領(lǐng)域的數(shù)據(jù)集中的實(shí)體，我們選取了其百度百科描述性文本的第一句話作為相關(guān)文本；而對(duì)于飛豬中文縮略詞數(shù)據(jù)集中的景點(diǎn) POI 實(shí)體，我們則是以其最相關(guān)的評(píng)論文本及 query 文本作為相關(guān)文本。

至于評(píng)價(jià)指標(biāo)，首先，我們使用 Hit 作為指標(biāo)來比較模型的性能。測(cè)試樣本被視為命中樣本如果它的預(yù)測(cè)縮寫和它 ground-truth 縮寫一模一樣。而 Hit score 是命中樣本占所有測(cè)試樣本的比例。此外，考慮到一些實(shí)體有多個(gè)縮寫，我們進(jìn)一步考慮了以下指標(biāo)，這些指標(biāo)是基于對(duì)從測(cè)試集中隨機(jī)選擇的 500 個(gè)樣本的人工評(píng)估計(jì)算得出的，包括正確樣本、NA、NW 和 WOM 在所有人類評(píng)估樣本中的比例。

具體來說，NA 表示預(yù)測(cè)的縮略詞是正確的，但和 ground-truth 的縮略詞不同。NW 代表錯(cuò)誤且語言結(jié)構(gòu)異常的預(yù)測(cè)縮略詞，而 WOM 代表錯(cuò)誤但語言結(jié)構(gòu)正常的預(yù)測(cè)縮略詞。具體實(shí)例可見表 2。

▲ 表2： 縮略詞的四種不同形式實(shí)例

▲ 表3： 數(shù)據(jù)集一各模型表現(xiàn)

▲ 表4： 數(shù)據(jù)集二和數(shù)據(jù)集三各模型表現(xiàn)

從表 3 和表 4，我們得到以下結(jié)論：

1. 在命中率和準(zhǔn)確性方面，我們的 CETAR 在通用領(lǐng)域數(shù)據(jù)集（ 和 ）和特定領(lǐng)域數(shù)據(jù)集（）上都優(yōu)于所有基線。

2. 所有模型的 NW 分?jǐn)?shù)幾乎都高于其 WOM 分?jǐn)?shù)，說明不正確的分詞是導(dǎo)致錯(cuò)誤預(yù)測(cè)的主要原因。因此，單詞邊界的信息對(duì)于準(zhǔn)確的縮略詞預(yù)測(cè)非常重要。

3. 我們還發(fā)現(xiàn)，大多數(shù)模型在 上的準(zhǔn)確度得分都優(yōu)于 和 。這是因?yàn)槁糜?POI 的縮寫通常由完整形式的連續(xù)標(biāo)記組成，例如“杭州西湖風(fēng)景區(qū)-西湖”，而一般領(lǐng)域的實(shí)體縮略詞通常由不連續(xù)的標(biāo)記組成。前者更容易讓模型實(shí)現(xiàn)準(zhǔn)確的預(yù)測(cè)。

▲ 表5： CETAR 針對(duì)數(shù)據(jù)集二中輸入實(shí)體不同長(zhǎng)度的文本（摘要）預(yù)測(cè)結(jié)果

3.1 消融實(shí)驗(yàn)

事實(shí)上，輸入過多的文本可能會(huì)產(chǎn)生過多的噪音，也會(huì)消耗更多的計(jì)算資源。為了尋求輸入文本的最佳長(zhǎng)度，我們比較了 CETAR 在 D2 上輸入百度百科實(shí)體摘要的前 1～4 個(gè)句子時(shí)的性能。

表 5 表明，輸入摘要的第一句表現(xiàn)最好。通過對(duì)從數(shù)據(jù)集中隨機(jī)抽取的 300 個(gè)樣本的調(diào)查，我們發(fā)現(xiàn)大約 75.33% 的第一句話提到了源實(shí)體的類型。這也證明了實(shí)體類型是促使 CETAR 生成正確縮略詞序列的關(guān)鍵信息。

▲ 表6： CETAR 針對(duì)數(shù)據(jù)集三中輸入實(shí)體不同長(zhǎng)度的文本（評(píng)論）預(yù)測(cè)結(jié)果

▲ 表7： CETAR 針對(duì)數(shù)據(jù)集三中輸入實(shí)體不同長(zhǎng)度的文本（query）預(yù)測(cè)結(jié)果

同樣，作為數(shù)據(jù)集三（表 6 & 表 7），CETAR 在將語義最相關(guān)（第一個(gè)）的評(píng)論或查詢集作為相關(guān)文本時(shí)取得了最佳性能。通過深入調(diào)查，我們發(fā)現(xiàn)熱門評(píng)論（查詢）更有可能包含目標(biāo)實(shí)體的縮略詞，幫助 CETAR 實(shí)現(xiàn)更準(zhǔn)確的預(yù)測(cè)。

3.2 應(yīng)用

為了驗(yàn)證縮略詞在搜索系統(tǒng)中提高召回率和準(zhǔn)確捕捉用戶搜索意圖的有效性，我們將 CETAR 預(yù)測(cè)的 56，190 個(gè) POI 實(shí)體的縮略詞部署到飛豬的搜索系統(tǒng)中。然后，我們進(jìn)行了持續(xù) 4 天的大規(guī)模 A/B 測(cè)試，發(fā)現(xiàn)處理桶與對(duì)照桶相比，獲得了 2.03% 的 CVR 提升。那為什么有意義呢？例如，基于精確關(guān)鍵字匹配的搜索系統(tǒng)不會(huì)為查詢“迪士尼樂園”返回酒店“上海迪士尼樂園酒店”，因?yàn)榫频甑拿Q與查詢不完全匹配。但是，如果預(yù)先將“迪士尼”識(shí)別為“迪士尼度假區(qū)”的縮略詞，則可以更輕松地將酒店與查詢相關(guān)聯(lián)。

總結(jié)

在本文中，我們提出了用于中文縮略詞預(yù)測(cè)的 CETAR，它利用了與源實(shí)體相關(guān)的信息上下文。CETAR 通過迭代解碼過程生成準(zhǔn)確的縮略詞序列，其中縮略分類器和恢復(fù)分類器交替工作。我們的實(shí)驗(yàn)證明了 CETAR 優(yōu)于 SOTA 方法的中文縮略詞預(yù)測(cè)。此外，我們?cè)诰包c(diǎn)領(lǐng)域成功構(gòu)建了一個(gè)中文縮略詞數(shù)據(jù)集，并已部署在現(xiàn)實(shí)世界的飛豬搜索系統(tǒng)上。系統(tǒng)的在線A/B測(cè)試實(shí)現(xiàn)了CVR的顯著提升，驗(yàn)證了縮略詞在促進(jìn)業(yè)務(wù)方面的價(jià)值。

審核編輯：郭婷