融合深度學(xué)習(xí)特征與淺層機(jī)器學(xué)習(xí)特征的中文分詞關(guān)鍵技術(shù)研究.pdf

1、近些年來，隨著互聯(lián)網(wǎng)時代的到來，我國互聯(lián)網(wǎng)技術(shù)不斷發(fā)展。在日常生活中，企業(yè)和用戶都希望能夠從計算機(jī)數(shù)據(jù)中獲得快速精確的文本數(shù)據(jù)。對于很多自然語言處理任務(wù)來說，分詞往往是任務(wù)實施的第一步，分詞效果的好壞可能會直接影響相關(guān)任務(wù)的準(zhǔn)確性。中文分詞中也存在著一些問題制約著分詞準(zhǔn)確率的提升，如未登錄詞和歧義詞的出現(xiàn)。通過研究，學(xué)者們提出了一系列試圖解決這些問題的方法，這些方法主要有三種:基于概率統(tǒng)計模型的分詞方法，基于詞典匹配技術(shù)的分詞方法和基于

2、字標(biāo)注的技術(shù)的分詞方法。隨著大量機(jī)器學(xué)習(xí)的方法被運用到自然語言處理領(lǐng)域，學(xué)者們提出了基于隱馬爾可夫和基于條件隨機(jī)場的分詞模型。當(dāng)標(biāo)記數(shù)據(jù)量增大時，基于機(jī)器學(xué)習(xí)的中文分詞方法相對于傳統(tǒng)的方法會有大幅的提升。
　　目前深度學(xué)習(xí)在圖像處理領(lǐng)域被廣泛運用，也取得了可喜的成績，同時在自然語言領(lǐng)域也有不錯的效果。本文將機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的方法運用到中文分詞領(lǐng)域，對傳統(tǒng)的基于機(jī)器學(xué)習(xí)中文分詞方法進(jìn)行改進(jìn)，提升分詞效果。本文將標(biāo)記語料按字向量化后

3、，注入LSTM將語言中上下文關(guān)系添加到向量中，為接下來的條件隨機(jī)場分詞提供了充足的上下文信息，從而提升分詞的準(zhǔn)確率。LSTM相比于卷積神經(jīng)網(wǎng)絡(luò)優(yōu)點在于能夠保留上下文的依賴信息，相比于普通循環(huán)神經(jīng)網(wǎng)絡(luò)的優(yōu)點在于不易產(chǎn)生梯度彌散和梯度爆炸保留長距離依賴信息，從而更好的支撐分詞效果提升。
　　本文在北京語言大學(xué)提供的語料庫上對提出的模型進(jìn)行實驗驗證，并對傳統(tǒng)模型在同一數(shù)據(jù)集上實驗，對比分詞效果。實驗表明，融合深度學(xué)習(xí)特征與淺層機(jī)器學(xué)習(xí)特