Search
繼語意分割(semantic segmentation)、實例分割(instance segmentstion)與全景分割(panoptic segmentation)之後，又有全新的分割任務，不受類別標籤束縛的開放世界實體分割（entity segmentation)
https://mp.weixin.qq.com/s/XvSLXHCOKPRgZUqDBOPPgQ
來自創新工場大灣區人工智慧研究院的兩篇論文入選了自然語言處理領域（NLP）頂級學術會議 ACL 2020 。
這兩篇論文均聚焦中文分詞領域，是深度學習引入知識後的有益嘗試，將該領域近年來廣泛使用的各資料集上的分數全部刷至新高，在工業中也有著可觀的應用前景。
本文來自創新工場公眾號
……………………………………………………………………
創新工場兩篇論文入選ACL 2020，將中文分詞性能刷至新高
“土地，我的金箍棒在哪裡？”
“大聖，你的金箍，棒就棒在，特別配你的髮型。”
感謝神奇的中文分詞，給我們帶來了多少樂趣。豐富多變的中文行文，給人的理解造成歧義，也給AI分詞帶來挑戰。
近日，自然語言處理領域（NLP）頂級學術會議 ACL 2020 (https://acl2020.org/)正在火熱舉行。
令人振奮的是，來自創新工場大灣區人工智慧研究院的兩篇論文入選。這兩篇論文均聚焦中文分詞領域，是深度學習引入知識後的有益嘗試，將該領域近年來廣泛使用的各資料集上的分數全部刷至新高，在工業中也有著可觀的應用前景。
分詞及詞性標注是中文自然語言處理的基本任務，尤其在工業場景對分詞有非常直接的訴求，但當前沒有比較好的一體化解決方案，而且中文分詞普遍存在歧義和未登錄詞的難題。
基於此，兩篇論文各自提出了“鍵-值記憶神經網路的中文分詞模型”和“基於雙通道注意力機制的分詞及詞性標注模型”，將外部知識（資訊）創造性融入分詞及詞性標注模型，有效剔除了分詞“噪音”誤導，大幅度提升了分詞及詞性標注效果。
兩篇文章的作者有：華盛頓大學博士研究生、創新工場實習生田元賀，創新工場大灣區人工智慧研究院執行院長宋彥，創新工場科研合夥人張潼，創新工場CTO兼人工智慧工程院執行院長王詠剛等人。
ACL（The Association for ComputationalLinguistics）國際計算語言學協會是自然語言處理領域影響力最大、最具活力的國際學術組織之一，自1962年創立以來已有58年歷史，其每年夏天舉辦的年會是該領域學術頂會。
與往年不同的是，受新冠疫情影響，ACL2020全部轉為線上進行，不過這絲毫沒有減弱熱度。根據之前公佈的資料，今年大會投稿數量超過3000篇，共接收 779 篇論文，包括 571 篇長論文和 208 篇短論文，接收率為 25.2%，在全球疫情衝擊下反而是有史以來最盛大的一屆ACL會議，創新工場的技術大牛們也頂著時差連續數晚熬夜參會。
▌利用記憶神經網路，將中文分詞性能刷到歷史新高
中文分詞目的是在中文的字序列中插入分隔符號，將其切分為詞。例如，“我喜歡音樂”將被切分為“我/喜歡/音樂”(“/”表示分隔符號)。
中文語言因其特殊性，在分詞時面臨著兩個主要難點。一是歧義問題，由於中文存在大量歧義，一般的分詞工具在切分句子時可能會出錯。例如，“部分居民生活水準”，其正確的切分應為“部分/居民/生活/水準”，但存在“分居”、“民生”等歧義詞。“他從小學電腦技術”，正確的分詞是：他/從小/學/電腦技術，但也存在“小學”這種歧義詞。
二是未登錄詞問題。未登錄詞指的是不在詞表，或者是模型在訓練的過程中沒有遇見過的詞。例如經濟、醫療、科技等科學領域的專業術語或者社交媒體上的新詞，或者是人名。這類問題在跨領域分詞任務中尤其明顯。
對此，《ImprovingChinese Word Segmentation with Wordhood Memory Networks》這篇論文提出了基於鍵-值記憶神經網路的中文分詞模型。
該模型利用n元組（即一個由連續n個字組成的序列，比如“居民”是一個2元組，“生活水準”是一個4元組）提供的每個字的構詞能力，通過加（降）權重實現特定語境下的歧義消解。並通過非監督方法構建詞表，實現對特定領域的未標注文本的利用，進而提升對未登錄詞的識別。
例如，在“部分居民生活水準”這句話中，到底有多少可能成為詞的組塊？單字可成詞，如“民”；每兩個字的組合可能成詞，如“居民”；甚至四個字的組合也可能成詞，例如“居民生活”。
把這些可能成詞的組合全部找到以後，加入到該分詞模型中。通過神經網路，學習哪些詞對於最後完整表達句意的幫助更大，進而分配不同的權重。像“部分”、“居民”、“生活”、“水準”這些詞都會被突出出來，但“分居”、“民生”這些詞就會被降權處理，從而預測出正確的結果。
在“他從小學電腦技術” 這句話中，對於有歧義的部分“從小學”（有“從/小學”和“從小/學”兩種分法），該模型能夠對“從小”和“學”分配更高的權重，而對錯誤的n元組——“小學”分配較低的權重。
為了檢驗該模型的分詞效果，論文進行了嚴格的標準實驗和跨領域實驗。
實驗結果顯示，該模型在5個資料集（MSR、PKU、AS、CityU、CTB6）上的表現，均達了最好的成績（F值越高，性能越好）。（注：所選擇的五個資料集是中文分詞領域目前全世界唯一通用的標準資料集）
創新工場大灣區人工智慧研究院執行院長宋彥表示，與前人的模型進行比較發現，該模型在所有資料集上的表現均超過了之前的工作，“把中文分詞領域廣泛使用的標準資料集上的性能全部刷到了新高。”
在跨領域實驗中，論文使用網路博客資料集（CTB7）測試。實驗結果顯示，在整體F值以及未登陸詞的召回率上都有比較大提升。
▌“雙通道注意力機制”，有效剔除“噪音”誤導
第二篇論文《Joint ChineseWord Segmentation and Part-of-speech Tagging via Two-way Attentions ofAuto-analyzed Knowledge》提供了一種基於雙通道注意力機制的分詞及詞性標注模型。
中文分詞和詞性標注是兩個不同的任務。詞性標注是在已經切分好的文本中，給每一個詞標注其所屬的詞類，例如動詞、名詞、代詞、形容詞。詞性標注對後續的句子理解有重要的作用。
在詞性標注中，歧義仍然是個老大難的問題。例如，對於“他要向全班同學報告書上的內容”中，“報告書”的正確的切分和標注應為“報告_VV/書_N”。但由於“報告書”本身也是一個常見詞，一般的工具可能會將其標注為“報告書_NN”。
句法標注本身需要大量的時間和人力成本。在以往的標注工作中，使用外部自動工具獲取句法知識是主流方法。在這種情況下，如果模型不能識別並正確處理帶有雜音的句法知識，很可能會被不準確的句法知識誤導，做出錯誤的預測。
例如，在句子“他馬上功夫很好”中，“馬”和“上”應該分開（正確的標注應為“馬_NN/上_NN”）。但按照一般的句法知識，卻可能得到不準確的切分及句法關係，如“馬上”。
針對這一問題，該論文提出了一個基於雙通道注意力機制的分詞及詞性標注模型。該模型將中文分詞和詞性標注視作聯合任務，可一體化完成。模型分別對自動獲取的上下文特徵和句法知識加權，預測每個字的分詞和詞性標籤，不同的上下文特徵和句法知識在各自所屬的注意力通道內進行比較、加權，從而識別特定語境下不同上下文特徵和句法知識的貢獻。
這樣一來，那些不準確的，對模型預測貢獻小的上下文特徵和句法知識就能被識別出來，並被分配小的權重，從而避免模型被這些有噪音的資訊誤導。
即便在自動獲取的句法知識不準確的時候，該模型仍能有效識別並利用這種知識。例如，將前文有歧義、句法知識不準確的句子（“他馬上功夫很好”），輸入該雙通道注意力模型後，便得到了正確的分詞和詞性標注結果。
為了測試該模型的性能，論文在一般領域和跨領域分別進行了實驗。
一般領域實驗結果顯示，該模型在5個資料集（CTB5，CTB6，CTB7，CTB9，Universal Dependencies）的表現（F值）均超過前人的工作，也大幅度超過了斯坦福大學的 CoreNLP 工具，和伯克利大學的句法分析器。
即使是在與CTB詞性標注規範不同的UD資料集中，該模型依然能吸收不同標注帶來的知識，並使用這種知識，得到更好的效果。
而在跨領域的實驗中，和斯坦福大學的CoreNLP 工具相比，該模型也有近10個百分點的提升。
▌主動引入和分辨知識，實現中文分詞技術突破
中文分詞在中國科研領域已經有幾十年的歷史。最初的中文分詞是基於詞典構建，詞典的好壞會直接影響到最後分析的效果。如果某個新詞在詞典裡沒有，那麼模型是死活都分不出來的。
這種方式的局限性還在於，詞典和分詞兩件事情中間始終有一條鴻溝，儘管詞典可以編撰得非常全面，但在處理分詞的時候，因為每一句話都有上下文語境，往往會產生多種不同的切分方法，從而無法有效地在當前語境下對分詞結構進行恰當的指導。
從2003年開始，分詞方法出現了新的突破。研究人員提出了打標籤的方式，通過給每一個字打詞首、詞尾、詞中的標籤，不再需要構建詞典，大幅度提升了未登錄詞的召回效果。
到了2014年左右，深度學習和神經網路開始被廣泛應用到中文分詞中，打標籤的模型從之前的淺層學習變成了深度學習，但演算法本質沒有發生變化，所以提升作用並不太大。
近兩年，學界開始研究怎麼在打標籤的過程中加入外部知識和資訊。創新工場的這兩篇文章就是沿著這個路徑，用記憶神經網路的方式記錄對分詞結果有影響的 n元組，並引入對詞性標注有影響的句法知識，將分詞結果和自動獲得的知識銜接起來，既發揮了神經網路的優勢，也把知識的優勢用上，實現了分詞技術上小而有效的改進和突破。
宋彥表示，“從技術創新的角度，我們的貢獻主要有兩點。一是在現有技術的基礎上，建立了一個一體化的模型框架，使用非監督方法構建詞表，並把知識（資訊）融入進來，使用更高層次的句法知識，來幫助詞性標注，起到'他山之石，可以攻玉’的效果。”
“二是主動吸收和分辨不同的外部知識（資訊）。通過鍵-值記憶神經網路和雙通道注意力機制，進行動態權重的分配，能夠有效分辨知識，區分哪些是有效的，哪些是無效的。雖然這些知識是自動獲取的、不準確的，但‘三個臭皮匠，頂個諸葛亮’，經過有效利用，總能湊出一些有用的資訊。如何實現模型的主動吸收和分辨，就變得更加重要。”
據瞭解，今年的ACL大會，在分詞領域一共收錄了18篇論文，創新工場人工智慧工程院同時有2篇入選，也表現出ACL官方對這一貢獻的認可。
▌具備跨領域分詞能力，提升工業應用效率
中文分詞和詞性標注是最底層的應用，對於接下來的應用和任務處理非常重要。例如對於文本分類、情感分析，文本摘要、機器翻譯等，分詞都是不可或缺的基本“元件”。
宋彥表示，做此項研究的目的是主要為了拓展其工業場景的應用，正確的分詞能夠平衡公司應用開發的效率和性能，同時方便人工干預及（預）後處理。
這也是創新工場人工智慧工程院的努力方向之一。工程院成立於2016年9月，宗旨是銜接科技創新和行業賦能，做嫁接科研和產業應用的橋樑，為行業改造業務流程、提升業務效率。
工程院下設北京總部、南京研究院和大灣區研究院。大灣區研究院再下設資訊感知和理解實驗室，專注于對自然語言處理（NLP）領域的研究。執行院長宋彥本人也有超過15年的NLP領域的科研經驗。
“在工業場景使用的時候，跨領域的模型能力是一個非常直接的訴求。”宋彥表示，在某個領域的訓練模型，大概率也需要應用到其他領域。
“如何在新領域缺少資料，或者新領域只有少量未標注資料的情況下，實現模型的冷開機，依然是項巨大的挑戰。如果能利用外部知識，提高模型性能，就能有效地召回很多在訓練集中沒有出現過的新詞。”
例如搜尋引擎的廣告系統，最初也是通過組詞匹配的方式，在某個特定領域訓練其分詞模型，但在進入一個新的領域時，例如從新聞領域進入醫療領域或體育領域，效果往往會大打折扣，甚至頻頻出錯。
而使用跨領域特性後，廣告系統在進入新領域時，便無需額外的資料，就可以對它進行比較準確的分詞和標注，從而有效匹配廣告和客戶，大大提升系統運行的效率和穩定性。
目前，這兩篇論文的工具都已經開源，在下面兩個連結中，可以找到對應的所有代碼和模型，各位朋友可按需自取：
分詞工具：https://github.com/SVAIGBA/WMSeg
分詞及詞性標注工具：https://github.com/SVAIGBA/TwASP
「致台灣教育部」📚📚📚👀
「韋佳德 呼籲 台灣老師與時俱進。與其 排斥 機器翻譯 不如 教學生 其正確用法！」
除了上通告、主持節目外， 我從事口筆譯工作已有七年的時間並在台灣大學/研究所任教口筆譯。我有很多學生曾跟我訴苦說，雖覺得機器翻譯方便，卻不大會使用。再加上，他們國中高中有很多老師一而再再而三地叫他們不要用機器翻譯，秉持著絕對排斥的態度。因此，今天我們來談一談機器翻譯之重要性這點事。
翻譯教學於機器翻譯時代（Machine Translation Era, MTE）迫切需要探討具有挑戰性之新教學法以便提高現有翻譯課程品質，並研究學生對於機器翻譯之使用。我曾寫過一篇論文專注於研究與分析機器翻譯的使用。研究者經由焦點團體、同儕討論互評、回溯晤談、搜集資料等研究方法分析了學生對於機器翻譯之態度與觀點。首先，筆者回顧了相關文獻並設定了理論架構。其次，筆者探討傳統翻譯課程與當下蓬勃發展的機器翻譯之間的差異。當時此研究亦期望能提倡新機器翻譯教學法及創新實務方法，以提升學生對新翻譯工具和技術之知識並促進其適當使用。
近數十年來學生、研究者和教師對於翻譯課程以及機器翻譯（MT）之概念進步很多。與此同時，翻譯研究 （Translation Studies）一直晚至廿世紀半期才蓬勃發展，漸次獨立成為一門學科。該門學科因其歷史甚短而建立在其他學科上。再加上，其研究範圍甚廣闊。有鑑於此，翻譯研究包括其他的分支科學，如翻譯教學和機器翻譯——後者亦屬於計算語言學的範圍，因而視翻譯研究為跨領域的學術研究。
在現代數位化時代，學生只要上網按電腦鍵盤上的鍵即可獲得大量的資料和訊息，這情況與過去大相徑庭。在這樣知識爆炸的環境，面臨龐大且俯拾即是的網路翻譯資訊，身為一個學習促進者（facilitator）如何引導學生篩選、過濾（不）適用的資料以及對於知識融會貫通的能力是廿一世紀的翻譯教師面臨的一大考驗。
我研究之理論架構為溝通式翻譯教學 （communicative translation teaching, CTT）。該教學法奠基於建構論的教學觀，強調以學生為中心、重視翻譯課程互動性設計和設施、以及主張教師指導學生瞭解如何運用所有翻譯工具—包括機器翻譯軟體程式—而非知識的擁有者和分配者。
學生不當使用機器翻譯的不當後果之一為正確性不足。所謂正確性之定義包括語法正確性及術語精確度。透過此研究而得的另一結論為對不同語言和術語語料庫施加交叉檢視（cross-checking）的必要性。如同所搜集的資料中顯示，未來有些翻譯家亦可當機器翻譯編輯者：預編輯者或後編輯者(pre-editors or post-editors)。 換言之，翻譯人員就應按照機器翻譯的標準編輯原文或進行譯文修訂。
所以，機器翻譯有何用處?首先，讀者應知道眾所周知最適合運用機器翻譯之文本為字彙以及語法使用較容易預測的專門文本而非一般語言翻譯，更不用說是文學作品。而是絕對局限不容忍太多變異的專門文本。 故，機器翻譯可發揮翻譯援助、資訊掃描、起草援助以及預編輯、後編輯之作用─「以上均為歐盟執行委員會之機器翻譯的功能用法」。有趣的是，讀者可發現五種功能用法裡的四種已由從未接受過正規的翻譯訓練之學生所使用。此結果應使我們反思在一個提供給學生大量的刺激以及隨時隨地可上網的社會裡，教師應扮何種角色？在教室裡,學生應用機器翻譯來對比和對照原文跟譯文；在家裡,學生則理應將機器翻譯視為極為技術詞典或進行專門翻譯任務之工具之一。
我本來旨在介紹新的教學法，稱為「逆向教學法」（“reverse approach”），顧名思義，該翻譯教學法于傳統翻譯課程有很大的區別。在逆向教學法的觀念裡，學生從傳統課程反向操作而達到最終目標。學生開始學翻譯，也就是一些極為技術性的或專門翻譯：如法律報告；因為按照本研究結果，該原文運用機器翻譯進行翻譯任務可翻得最準確。逆向教學法認為通過使用機器翻譯和翻譯記憶工具來做專門文本的翻譯則將説明學生愈來愈熟悉該專門語言之辭彙和術語，因此專門文本翻譯並不是學習翻譯的最終目標。另一方面，以學生為動態多元翻譯教學中心將活躍起具建設性、重溝通的互動教學經驗。此外，學生應學習如何把句子分成一段一段(segmentation)以便有效地進行機器翻譯並提升其精確度。
生前擔任聯合國和世界衛生組織翻譯職位的克勞德－皮朗（Claude Piron）曾寫機器翻譯頂多只可把翻譯人員最簡單的部分自動化，但卻無法解決最難也最費時的任務意味著完整研究原文以講解歧義:翻譯家為何要費一整天翻譯完五頁而非僅僅一兩個小時? […] 原文裡有必須解決的歧義。譬如曾有一次一名原文筆者為澳大利亞醫生，他舉出在二次大戰時在日本戰俘營所申報疫情的例子。該情況下"Japanese prisoner of war camp"所指的是一個有日本俘虜的美國營還是有美國俘虜的日本營？英文裡有兩種可能的意思，故翻譯家必須進行研究，若有必要也務必給該澳大利亞醫生打個電話。
詞義消歧的問題彰顯了教師背負正確地指引學生以及提醒學生進而意識到機器翻譯的局限為了避免錯誤的翻譯所造成的傷害，翻譯學生應時時謹慎小心。
翻譯本來的意思就是把一種語言-文化系統翻成另外一種，拉丁文trans-latio原詞意義與中文所謂的「翻」很像。在該創新翻譯教學中，教師必須促進學生意識到文化特色之翻譯難度，並強調在一個民族句法模式裡（ethno-syntactic paradigm）語言的每一層可傳達文化特色，其包括表面上語義上無效（semantically void）之語法詞素。
最後，任何所實施的翻譯課程該採取一種描述性（descriptive）而非規範性(non-prescriptive)， 規範性教學法亦稱為教授制式教學法)的教學法。有鑑於此學生不應忌諱運用機器翻譯，反而是該清楚地瞭解並適當地選擇翻譯工具及其軟體程式。與此同時，教師則應扮演適職的角色，從專業、道義、和學術觀點幫助學生辨別該工具的優缺點，以提升學生學習如何有效地運用該程式之成效以促進學生翻譯專業的品質以及成效。
再一次，我愛台灣。希望台灣變得愈來愈好，也希望我在這個社會裡能夠發揮貢獻。還望大家多多支持。
若您不認同我的想法，歡迎討論。
歡迎分享自己的想法。
(無須經過本人允許，喜歡的話，歡迎分享）
教育ETtoday新聞雲ETtoday分享雲ETtoday星光雲Yahoo!奇摩新聞TVBS 新聞中天快點TV快蘋果日報即時新聞即自由時報自活水來冊房水商業周刊商NONEws 不新聞 Nownews 今日新聞今日新聞今日新聞今譯人譯事 Bubu譯站 @譯人譯事
segmentation中文 在 [教學影片] U-Net 影像分割演算法實作 - YouTube 的美食出口停車場
UNet for Image Segmentation - What You Need To Know! - Computer Vision ... Apache MXNet/Gluon 中文 频道. Apache MXNet/Gluon 中文 频道. ... <看更多>