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

今天在網路上看到大大引發討論的國小教科書內容和課綱所要求竟然差異如此大！

#原來圖一是取自低年級生活課本當中的音樂部分
#而圖二至六是藝術課綱的內容

藝術課綱內容：
🔹音 E-III-4 （第三階段-五六年級）
音樂符號與讀譜方式，如:音樂術語、唱名法等。記譜法，如:圖形譜、簡譜、五線譜等。
🔹音 E-II-3 （第二階段-三四年級）
讀譜方式，如:五線譜、唱 名法、拍號等。

生活課綱藝術音樂相關內容：
🔸低年級（如最後一張圖標示）

▪️十二年國民基本教育課綱 - 藝術領域（全文）
https://www.naer.edu.tw/…/at…/22/pta_18533_2143291_60289.pdf

▪️ 十二年國民基本教育課綱 - 生活課程（全文）
https://www.naer.edu.tw/…/at…/24/pta_18517_3170275_59692.pdf

Day10 - 讀譜
學習一首新曲子時，我會習慣從仔細閱讀樂譜開始。把樂譜上正確的節拍、升降記號、音高和所有的符號、術語都先看仔細，用鉛筆慎重地把需要注意的地方圈起來、需要加上臨時記號的地方寫下來、之後要特別練的地方框起來、決定好的呼吸記號勾起來...然後，把剛剛所有寫好的標記，先在腦中跟著音樂仔細Run過一遍。
在「讀譜」這個重要的「程序」完成後，上樂器。

Reading: when learning a new piece, I used to read carefully on the score first, reading all around the correct rhythm, nuance, pitch and all the musical terminology written on the score. Circling the important part, marking the parts which need to be pay attention or practice later on, writing down the breathe marks, etc. Run the music inside of my head and focus on all the marks just written.
After this very important process, instrument on.

#100daysofpractice #The100DayProject #flute #myrllinpracticetime #myrllinflute #practicewithmyrllin #百日練習計畫
#跟著myrllin趴趴走

@myrllinmyrllin
---
Youtube頻道：https://goo.gl/Bnhbx3
Instagram：@myrllinmyrllin

---
Practice together:
@catcosin

本集主題： 油畫創作展　馬如龍（馬俊麟）專訪
　　
▲「我心中的宇宙，宇宙中心的我」藝術家馬如龍以太空為背景、結合人像，試圖將創作者的孤獨狀態具體化。
　　
▶自小立定志向◀
　　
　　從小馬如龍對於繪畫可說是情有獨鍾，幼稚園自己拿著空白簿子畫四格漫畫，到國小、國中在漫畫堆中創作獨家漫畫，國中憑著天份與自信考上復興商工、進入西畫組，進而對於油畫與純藝術感到興趣，從高中到大學，馬如龍秉持對於人像繪畫的喜愛，持續以人像作為創作主軸，發展一系列的作品。在進入研究所後，他開始思考自身創作的符號與特點，開始觀察與分析藝術市場。
　　
▶人像創作的起點◀
　　
　　進入復興商工西畫組，馬如龍便喜愛上畫人物，以身邊同學為對象，以紀錄的心境繪下週遭的人事物。這時期的創作著重於寫實技巧。到了大學時期，仍持續以自己所偏好的人物像為創作主題，畫中主角呈現無表情與性別界線模糊的狀態，描繪都市中人們空殼般度日，人物姿態各異、四周擺放無意義的水果，形成荒謬組合的眾生相，展現年輕一代有些輕蔑的態度，以及被現實困住的狀態，並在創作時提出「為什麼我們是人？」這樣的疑問，反思自己創作的初衷。
　　退伍後工作兩年還未考取研究所時，存了一些錢才重回創作之路的馬如龍，面對睽違三年的創作，試著用一種重新出發的角度來創作，利用各種新工具等等來象徵重新開始的契機。在進入研究所後，馬如龍便開始探討多年來的創作脈絡，以及尋找自己的藝術語彙。在以往的創作中，他認為觀者在閱讀作品會有困難，似乎無法解讀、易被忽略，希望作品之間具有串連性，因此開始尋找獨有的藝術語彙與了解市場性，這樣的探討過程為此次展覽的前言。
　　
▶關於孤獨◀
　　
　　因家庭的關係，馬如龍在成長的過程當中，有許多時間一人獨處沒有與他人分享的機會。馬如龍認為「孤與獨在中文原分別代表著兩種不同的人；孤為喪父的兒童，獨為老而無子。兩字合併後多指作一種孤單的，單一的狀態。但孤獨在英文中代表的是 alone 並非 lonely，縱使周遭有人，個人進入不被打擾的狀態也可稱為孤獨。所以在此指藝術創作中的孤獨指的是一種思緒不被任何人打擾的隱遁狀態。」馬如龍以往的作品以提出社會議題或是批判性為主，展現都會中一種「無」的狀態。
　　作家蔣勳在《孤獨六講》中提到「孤獨和寂寞不一樣。寂寞會發慌，孤獨則是飽滿的，是莊子說的『獨與天地精神往來』，是確定生命與宇宙的對話，已經到了最完美的狀態。這個『獨』，李白也 用過，在〈月下獨酌〉裡，他說：『花間一壺酒，獨酌無相親；舉杯邀明月，對影成三人。』這是一種很自豪的孤獨，他不需要有人陪他喝酒，唯有孤獨才是圓滿的。又好比你面對汪洋大海或是登山到了頂峰，會產生一種『振衣千仞岡，濯足萬里流』的感覺，沒有任何事情會打攪，那是一種很圓滿的狀態。」。
　　
▶衍伸為太空狀態◀
　　
　　馬如龍認為在太空系列創作中，他並非強調太空的美好或夢幻，現實中太空沒有介質因此無法傳遞聲波、也看不見星空，其實是一種黑暗孤寂的狀態。與其說太空系列是在表現太空的樣貌，他個人認為更像是反芻對於生命探討和自身靈魂剖析的具象化。同時他也探討到生死的問題，大家都是一個人到來這個世界上經歷生老病死，也許過程中有家人的陪伴，但離開世間的時候也是一個人。馬如龍也舉例許多偉大的科學家、藝術家與音樂家，他們的不朽作品多半是在極為孤獨的狀態下所創造出來的。
　　人類因為好奇而不斷往太空進行探索，想知道宇宙的起源與邊界。這樣的一個過程，馬如龍覺得像一位藝術家而創作的過程像是太空人在外太空這樣一種孤獨的存在，人類在外太空的的探索過程就像是藝術家在探討藝術的本質、與藝術市場的未知性。而從馬如龍作品中人像呈現訊號不良的模糊樣貌，堆砌出整體圖像與觀者之間一種攝影繪畫與擬真再現的曖昧關係。既是真實，也並非真實的狀態。
　　
▶畫面中的象徵符號◀
　　
　　在太空系列的作品中，馬如龍將氣球帶入畫面當中，除了具有提升畫面彩度的功能，他也問採訪者是否想過「為什麼人要發明氣球？」，這些常出現於遊樂園和歡慶場合當中的氣球，代表美好與希望、帶給人喜悅，是一種慶祝與童年的象徵，卻也短暫而易逝。現實當中，溫度與壓力的關係氣球無法存在於外太空，遑論飄浮。在畫面中，無法看出性別的太空人手握氣球代表著我們進行的探索旅程是保有希望的，像是孩提時的繪畫初衷，也象徵生活中我們面對的世界表面和諧但內在充滿不安定。
　　馬如龍認為，精神上不安定與渴望逃離，卻同時要正面保持希望、建構系列的創作核心，而太空人在太空中展演的小荒謬，也正反映了現今藝術作品多利用詼諧、反諷，甚至帶點不知所云，表現出我們所處的世代與現狀。
　　
▲馬如龍以人像結合宇宙，展現孤獨與寂靜，表現藝術家創作的狀態。
（文：金車文藝中心）
　　　　
　　　　
馬如龍簡歷：
復興商工美工科西畫組
台灣藝術大學美術系
臺灣師範大學美術系研究所西畫創作組
　　
重要得獎記錄：
2016 新北市美展油畫類 優選
2016 璞玉發光 西畫類 優等
2016 全國油畫展 優選
2016 百號油畫展 優選
2014 璞玉發光─藝術行銷活動 西畫類 首獎
　　
近期展覽：
2016 他/她 人物油畫群展 雅逸藝術中心 台北
2016 第二屆鴻梅新人獎巡迴展 新竹生活美學館 台灣藝術大學國際展覽廳 台北
2015 師大雙年展 徳群藝廊 台北
2015 「幾何」---馬如龍個展 桃園客家文化中心 桃園
2015 "看,我在台北”新一代人文風景特展 台北信義新天地A98F 台北
　　　　　　　　
　　　　　
策展單位： 金車文藝中心
展出日期：0107-02/26
開放時間：每日11:00-18:00（周一休館）
金車南京館地址：台北市南京東路二段1號3樓