本文經AI新媒體量子位（公眾號ID：qbitai）授權轉載，轉載請聯絡出處。

本文約1200字，建議閱讀6分鐘。

本文為你介紹鵝廠近期正式開源的一個大規模、高質量的中文詞向量資料集。

鵝廠開源，+1 again~

又一來自騰訊AI實驗室的資源帖。

騰訊AI實驗室宣佈，正式開源一個大規模、高質量的中文詞向量資料集。

該資料集包含800多萬中文詞彙，相比現有的公開資料，在覆蓋率、新鮮度及準確性上大幅提高。

在對話回覆質量預測、醫療實體識別等自然語言處理方向的業務應用方面，騰訊內部效果提升顯著。

資料集特點

總體來講，騰訊AI實驗室此次公開的中文詞向量資料集包含800多萬中文詞彙，其中每個詞對應一個200維的向量。

具體方面，騰訊自稱，該資料集著重在3方面進行了提升：

1. 覆蓋率（Coverage）：

該詞向量資料包含很多現有公開的詞向量資料所欠缺的短語，比如“不念僧面唸佛面”、“冰火兩重天”、“煮酒論英雄”、“皇帝菜”、“喀拉喀什河”等。

以“喀拉喀什河”為例，利用騰訊AI Lab詞向量計算出的語義相似詞如下：

墨玉河、和田河、玉龍喀什河、白玉河、喀什河、葉爾羌河、克里雅河、瑪納斯河

2. 新鮮度（Freshness）：

該資料包含一些最近一兩年出現的新詞，如“戀與製作人”、“三生三世十里桃花”、“打call”、“十動然拒”、“供給側改革”、“因吹斯汀”等。

以“因吹斯汀”為例，利用騰訊AI Lab詞向量計算出的語義相似詞如下：

一顆賽艇、因吹斯聽、城會玩、厲害了word哥、emmmmm、扎心了老鐵、神吐槽、可以說是非常爆笑了

3. 準確性（Accuracy）：

由於採用了更大規模的訓練資料和更好的訓練演算法，所生成的詞向量能夠更好地表達詞之間的語義關係，如下列相似詞檢索結果所示：

在開源前，騰訊內部經歷了多次測評，認為該資料集相比於現有的公開資料，在相似度和相關度指標上均達到了更高的分值。

資料集構建經驗

那麼這樣的資料集，騰訊AI實驗室是如何構建的呢？

他們圍繞3方面分享了構建及優化經驗：

1. 語料採集：

訓練詞向量的語料來自騰訊新聞和天天快報的新聞語料，以及自行抓取的網際網路網頁和小說語料。

大規模多來源語料的組合，使得所生成的詞向量資料能夠涵蓋多種型別的詞彙。

而採用新聞資料和最新網頁資料對新詞建模，也使得詞向量資料的新鮮度大為提升。

2. 詞庫構建：

除了引入維基百科和百度百科的部分詞條之外，還實現了Shi等人於2010年提出的語義擴充套件演算法，可從海量的網頁資料中自動發現新詞——根據詞彙模式和超文字標記模式，在發現新詞的同時計算新詞之間的語義相似度。

3. 訓練演算法：

騰訊AI Lab採用自研的Directional Skip-Gram (DSG)演算法作為詞向量的訓練演算法。

DSG演算法基於廣泛採用的詞向量訓練演算法Skip-Gram (SG)，在文字視窗中詞對共現關係的基礎上，額外考慮了詞對的相對位置，以提高詞向量語義表示的準確性。

意義

最後，表揚一下鵝廠的開源之舉。

目前針對英語環境，工業界和學術界已釋出了一些高質量的詞向量資料，並得到了廣泛的使用和驗證。

其中較為知名的有谷歌公司基於word2vec演算法、斯坦福大學基於GloVe演算法、Facebook基於fastText專案釋出的資料等。

然而，目前公開可下載的中文詞向量資料還比較少，並且資料的詞彙覆蓋率有所不足，特別是缺乏很多短語和網路新詞。

所以有資源有能力的騰訊，還有心做這樣的事情，對業界實屬利好。

希望騰訊AI實驗室的開源之舉，多多益善吧~

傳送門

資料下載地址：

https://ai.tencent.com/ailab/nlp/embedding.html

— 完 —