浙商证券-学界纵横系列之五：NLP，中文形态学和类比推理-240327

　　核心观点

　　对于传统的自然语言学习（Natural Language Processing, NLP）,类比推理（AnalogicalReasoning）在捕捉语言规律方面是有效的。http://www.hibor.com.cn【慧博投研资讯】文献作者提出了一个关于汉语的类比推理任务。http://www.hibor.com.cn（慧博投研资讯）在深入挖掘汉语词汇知识后，构建了68个隐性形态关系和28个显性语义关系，并为该任务构建了一个大型且平衡的数据集CA8，该数据集包括17813个问题。此外，文献作者系统地探讨了中文词向量的表示方法、上下文特征和语料对类比推理的影响。通过实验，CA8数据集被证明是评估中文词向量的可靠基准。

　　要点一

　　对于词向量表示（稀疏、稠密）方法对捕获语言关系的影响，在CA8数据集上，SGNS表示在形态关系（Morphological Relations）的类比推理上表现更好，PPMI表示在语义关系上表现出很大的优势。因为形态关系的推理更多地依赖于上下文中的常用词，而SGNS的训练过程偏向于频繁词对。同时，PPMI模型对非频繁词对和特定词对更加敏感，这有利于语义关系。

　　要点二

　　对于上下文特征对语言关系的影响，字符特征对于中文形态关系的推理尤其有利，融合了字符特征的SGNS模型在形态学问题上的准确率提高了将近一倍。同时，不同领域的语料库所训练出的词向量,对不同类型的词语表征具有不同的效果；并且随着语料库规模越大，准确性越高。

　　风险提示

　　文献内容参考了《Analogical Reasoning on Chinese Morphological and SemanticRelations》，翻译及理解与原文可能存在偏差，文献内容部分仅代表该文献的观点，不代表浙商金工研究观点；文献模型回测结果使用了历史数据，历史表现不代表未来收益。