聊一聊中文切词的 heuristics

李:
NLP 论文中常出现的一个术语 heuristics 怎么翻译好呢？想了 30 年了，用到的时候还是夹杂这个英文词，因为想不到一个合适的译法。最近想，大概是翻译成 “倾向性” 比较好。说的是某种统计上的趋向，而不是规律。

白:
启发式

李:
30年前，我有个同门学长乔毅常常鼓捣一些专业翻译，有一天他来跟我商量，问：“这篇说的是 heuristic 方法的 NLP，查了一下词典，是启发式，可这启发式翻译出来，等于没翻译，没人懂怎么启发的。到底 heuristics 是个什么方法？”

魯:
有些时候是ad hoc的意思

白:
翻俗了就是“偏方”。有例外的标配。

李:
当时我们琢磨半天，觉得所谓启发式，就是某种条件，有时候甚至叫原则（note：原则都是有例外的），不是通常的 rule，因为 rule 隐含的意思是铁律，而这个“启发式”说的就是一种有漏洞的条件，经验总结出来的某个东西，模模糊糊是有统计支持的。明知有漏洞，但还挺实用。就这么个东西，困扰了我机器翻译专家30年。

以上算是开场白。今天就来说说切词中总结出来的一些 heuristics。咱们倒过来说这事儿。把 input 想象成一个 ngram。首先说一条总的：切词中最大的 heuristic 就是这个最大匹配原则，是天则。

咱们来具体看看 ngram 的情形：

1. 如果 input 是一个汉字 （unigram），当然就是一个词：因为无词可切。这是废话，但也不失为一个 heuristic，因为切词算法的最后一招就是 把字（语言学上术语是“词素”）当成词，可以保障100%召回率（recall）。因为汉字是非常有限的集合（【康熙字典】多少字来着？），可以枚举。所以废话（或常识）背后也有深刻的道理的。
显然这个 heuristic 是有漏洞的，但是我们总可以用它来兜底。漏洞譬如那些所谓 bound morphemes：蝴，尴，它们理论上是不能成词的，如果万一被切词程序输出为词了，很可能是一个 bug（譬如原文在 “尴尬” 之间夹杂了空格或其他符号造成这种结果，或者原文说的就是这个汉字，不是指这个概念词素，那算是 legit 的 meta-word）。无论如何，切词模块在工程上和算法上几乎没有人不用这个 heuristic。

2. 如果 input 是两个字（bigram） AB，而 AB 在词典里面，heuristic 告诉我们 AB 就是应该切出来的词。这个heuristic 是直接从最大匹配原则来的，几乎每个系统都这么办，尽管它当然有漏洞。漏洞就是所谓 hidden ambiguity, 理论上的 exhaustive tokenizations 中不能排除的 A/B 这种切词法。以前我们举过关于 hidden ambiguity “难过” 的 minimmal pair 的例子（见【立委科普：歧义parsing的休眠唤醒机制再探】）：

这/个/孩子/很/难过
这/条/河/很/难/过。

其实利用 汉字作为 meta-wrods 的语用情形，一切的 ngram 都有一个违反最大匹配原则揭示 hidden ambiguity 的通例，模式是：

【ngram 】是n个汉字。

尴/是/一/个/汉字/。
尴/尬/是/两/个/汉字/。（尴/是/其一/，/尬/是/其二/。）
不/尴/尬/是/三/个/汉字/。
尴/不/尴/尬/是/四/个/汉字/。
尴/尬/不/尴/尬/是/五/个/汉字/。
.........

虽然 100 个系统有 99 个半都明知这个 heuristic 有理论上的漏洞，而且也有实践中的反例，但是大家都心知肚明地 follow 这个最大趋势。因为好汉不吃眼前亏啊。在切词这种早期阶段，不 follow 这条带来的麻烦太大。识时务者为俊杰，英雄狗熊在这一点其实所见皆同，说明世界上傻子并没有那么多，除了“傻得像博士”。譬如我博士论文中就倡导过用 exhaustive tokenizations 的结果来 feed a Chinese HPSG chart parser, 有意违反这一原则，把 hidden ambiguity 从一开始就暴露出来，来证明句法或更大的 上下文 对于完美切词的重要作用。理论上没有问题，实践中也弄出了个可以应付博士学位的玩具系统（【钩沉：博士阶段的汉语HPSG研究】），但到了工业应用，立马就精明起来，随大流，从了 最大匹配的 heuristic。

白:
“马可波罗的海外奇遇”

李:
哈， “波罗的海”，4-grams 哎，居然没能胜出，也是奇例了 。

回头说 hidden ambiguity，N多年后，我们还是高明了一些，退了一步，说，好好好，好汉不吃眼前亏，咱们还是 follow 这个最大匹配原则，但可以留个后门啊。后门就取名为休眠唤醒，《李白对话录》中多篇有论，有方法，有例示（【结构歧义的休眠唤醒演义】 ）。这算是在理论和实践中找到了一个比较合适的折中，不至于面对 hidden ambiguity 的命门完全不作为。

白:
谁说切词的结果一定是流，不能是图？谁说即便是流，切的时候啥样，用的时候也必须啥样？谁说即便是流、即便用的时候跟切的时候也一样，但在更大上下文范围内发现用错了的时候必须不能反悔？

李:
白老师说的几点都对。但很长时间很多人并没有认识这么清。

接着练，3.  如果input是三个字（trigram） ABC，heuristic 是怎么体现的呢？首先根据最大匹配heuristic，排除了 A/B/C，先踢出局。剩下有 AB 与 BC 的较量，如果二者都在词典的话。这时候，heuristic 说，汉语的二字词并不是都有相同的紧密度，即便用最粗线条的二分法，也可以给一些二字词比其他二字词更大的权重来解决这场三角关系（triangle）的危机。忘了说了，如果 ABC 在词典的话，AB 和 BC 都出局了，毫无疑问，因为最大匹配永远是切词阶段最大的原则。例外怎么办？后期休眠唤醒。

4. 如果是四个字的 input（4-gram）ABCD，hueristic 又是怎样实施的呢？（别急，这么论事貌似进入了死循环，但其实胜利曙光已经在望，bear with me a bit）。根据最大匹配这个最高原则，ABCD 如果在词典（譬如成语），句号。ABCD 中任何一个连续的 bigram 如果在词典成词的话，A/B/C/D 也出局了，根据的还是最大匹配的 heuristic（或其变种，最少词数原则）。那么还剩下什么？如果是 ABC 和 CD 在词典，两家打架, heuristic 说，两家人家打架，人多者胜, ABC 胜过 CD（就是说，可以假定权重 heuristic 让位给词长 heuristic）。同理， AB 败于 BCD，其他的情形都是显而易见的，AB/CD instead of A/B/CD, AB/C/D and A/B/C/D，不赘述。

白:
如果ML，满大街都是heuristic。

李:
所以说应该翻译为 （有统计基础的）趋向性。学习也好，根据 heuristics 硬编码实现也好，总之是要 follow，除了傻博士。

5. 如果 input 是 5个字（5-gram）ABCDE，ABC and CDE can fight: if ABC is considered to carry more weight, then ABC wins.  后面的话不用说了。到了 5-gram，可以收网了。

其实迄今绝大多数切词算法，大多依据的是 local evidence，5-gram 几乎是 local 的最大跨度了。因此搞定了 5-gram 以内的 heuristics 的相互作用的原理，也就搞定了切词，虽然理论上所有的 heuristics 都是筛子一样，漏洞百出。这一点儿不影响我们前行和做 real life 系统。

金:
@wei 老师，想请教一下您对于深度学习做分词的观点：训练语料为手工分词文本，将文字按单字逐个输入，输出是结合输入语境对文字进行分词的结果。

李:
据说深度学习分词，精准度有突破。有突破我也不会用。除非有谁教会我如何简单地 debug，如何快速领域化。何况早就过了这一村了，工具架构算法齐全，不再需要与它纠缠了。

金:
如何领域化？在特定领域操作？

白:
让领域的人再标注领域的文本，不就领域化了

李:
不愿标注呢？或 cannot afford 标注呢？错了怎么 debug？再加大标注量，重新来过？重新训练可以保证对症下药解决我面对的 bug reports 吗？

金:
嗯，看过之前您的文章，关于统计和规则之间的渊源。如果就用深度学习一个模型，是这样。最大匹配的话，错误如何修正呢？

白:
都已经是锦上添花了，再错能错哪儿去

李:
明明就是个词典打架的事儿，非要标注文本。词典是有限的，文本是无限的。

白:
领域会突破词典。

李:
那是领域词典的习得问题（lexicon/term acuqisition）。是个更实在的活计。相比之下，领域标注分词不是个划算的事儿。

白:
未登录词也得分。领域会引进新的heuristic，使得通用成问题的地方不是问题。做减法。

李:
手工标注海量数据是一种不讲效率的办法，人类举一反三，标注反着来，是举三返一，不对，其实是举30也很难返一，隔靴搔痒。幸亏它有几个优点。一个是提高就业率，简单劳动，而且白领，有利于维稳和安定团结。另一个是为不愿意进入领域的人做自封的领域专家铺路。管它什么领域，管它什么任务，只要你给我标注，我就用三板斧进入领域。

白:
不利于语言学家的就业率，也是罪过

金:
二位老师的观点有深度，

李:
不仅是语言、语言学和语言学家，所有领域专家都有遭遇。不求甚解于是风行。天上掉下一块鸟屎，都会砸到一个速成的领域专家头上，不懂语言学的计算语言学专家，如过江之鲫。

白:
背后的逻辑是不与虎谋皮。没那么简单这事儿。

金:
数据标注得有领域专家来做标准呢。

李:
要是可以选择的话，不自由毋宁死。可惜领域专家没有这个气节。乐不颠颠地为精算师去制定标准，然后让他们成为高高在上的超领域专家。

白:
“孙国峰硕士毕业于著名的清华五道口，后师从社科院金融研究所李扬成为金融学博士。他硕士毕业后便参与了中国外汇交易中心及公开市场的建设，并从此肩负起货币政策的实施、制定、监管之责，与中国金融市场及市场中的一代一代的交易们一起成长。”

看看这段话，“硕士”极容易被当成“孙国峰”的称呼性同位语。

金:
这个就是环境的作用了，不是我们能左右的。

吕:
孙国峰，硕士毕业于著名的清华五道口 ....

金:
我想到一个和目前情况类似的人，最早著书的人，是不是大部分是领域专家，因为国家，因为文化，因为其他原因投身著书行业，把知识标准化，流传下去？

白:
@金 这样的是例外吧。

金:
我只是想到这个情况，而且更极端的是这群人因为生存因素，去著书，还有可能从谷底爬上巅峰（可能故事听多了）

白:
@金 楼歪了，言归正传吧

所有的交叉歧义、组合歧义，其实在词典定好以后就是铁案了，一定能仅从词典就机械地自动遍历枚举所有情况，这是学术界早有的定论。

问题之一在概率分布。领域无关相当于先验分布，领域相关相当于后验分布。后验分布如果明显不同于先验分布，领域知识就有优势，否则就没优势。

阮：
比如说医疗领域，会有一些特殊的词，也会有特殊实体，句法的话，应该也是符合自然语言句法的，但分布应该不太一样。 我需要重新完全标注语料呢，还是标注一部分？标数据这事，谁来做，也确实很头疼。语言学家觉得和他们没关系，也看不太懂。而医学更加不知道标语料为何物。

白:
问题之二在未登录词。你说再多词典没定义都是扯，只要影响应用，没人会听你的。所以做好构词法，应付未登录词是刚需。神经是不分登录词未登录词的，就是说如果ABC、ABD都没见过，语料里标注了ABC，神经是有可能学会ABD的。并不是说要分词只有词典化一条路。而构词法是里，分词是表。学会构词法可能首先是通过分词体现出来的。神经不是“仅”学分词，而是“同时”在学构词法。比如“中证协”标注了，“中保协”没标注。神经可以学会“中保协”正确分词，但并不说明“中保协”一定在词典里。

李:
学会构词法有个悖论。学会不在词典的词可能对于粗线条的任务有好处，但对于分析和理解自然语言没有什么好处，你必须同时学会这些不在词典的词的可计算的信息部件才算数，譬如句法 features，概念语义及其在本体链条上的位置，等。对于自然语言 parsing 和 understanding，切词的目的就是要获取关于该词的词典信息，作为进一步分析的基础。现在分了词了，却没有对应的词典词条，那不是白分？这就是我说的悖论。

今天遇到一个好玩的：上交所有 ...，分词为 上交所/有。

白:
交叉歧义。长词优先。

李:
我实习生说 错了，她坚持改过来：上交/所有
原来她心里想的是：上交 所有 不义之财。我说难道你不知道，上交所 有 个 大名鼎鼎 的 白老师？

白:
严正声明：上交所没有不义之财。

李:
此地无银啊？明儿让她进来给白老师赔罪。上交所 在90后的头脑里是个未登录词，未登录的或可免责。如一不留神道破天机，纯属意外。

吕:
哈哈哈

金:
有趣

巴:
学生菜鸟一枚，特来给白老师赔罪。
请各位老师多多指教啦～

白:
@巴拉巴拉 应该找上交所的CFO，我前CTO不管这段。

巴:
哈哈哈哈，总之是妄言了，先赔罪总是对的。

白:
@巴拉巴拉 这群有意思，可以偷到很多艺

【相关】

【立委科普：歧义parsing的休眠唤醒机制再探】

【语义计算：李白对话录系列】

《朝华午拾》总目录