Download
1 / 16
160 likes | 238 Vues
Q-T 语义一致识别算法描述. 姓名：刘剑 编译笔名： 37X21=777 平台账号： stormagain. 主要内容. 第一部分： LSC 算子介绍 第二部分： ToTAL 算子介绍 第三部分：门禁算法介绍 第四部分：算法评价. 算子作用：找出最长公共字符串 实现思想： 1 ，用一个矩阵来记录两个字符串中 所有位置的匹配情况，如果相同则为 1 ，不同则为 0. 2 ，正向求出对角线最长的 1 序列，其对应的长度即为最长公共字符串长度，其位置就是最长公共字符串的位置. LSC 算子. TOTAL 算子.
E N D
Q-T语义一致识别算法描述 • 姓名：刘剑 • 编译笔名：37X21=777 • 平台账号：stormagain
主要内容 第一部分：LSC算子介绍 第二部分：ToTAL算子介绍 第三部分：门禁算法介绍 第四部分：算法评价
算子作用：找出最长公共字符串 实现思想： 1，用一个矩阵来记录两个字符串中 所有位置的匹配情况，如果相同则为1，不同则为0. 2，正向求出对角线最长的1序列，其对应的长度即为最长公共字符串长度，其位置就是最长公共字符串的位置. LSC算子
TOTAL算子 • 算子作用：找出query语句中有多少字符出现在title语句 • 实现思想：遍历query字符串的每个字符，如果字符出现在title中，则+1，反之+0，最后统计出出现过的字符总数。
门禁算法 • 算法描述：在判断大量对象的是与非的问题中，很多时候我们只需要去筛选出是的那一部分对象，那么非的那一部分对象自然也区分出来了。我们可以通过构造一系列的通道去过滤这些数据，能够顺利通过通道的数据，自然就是我们要寻找的是的那一部分对象。由于它跟生活中的门禁系统比较相似，因此，我称它为门禁算法。 • 门禁算法就是去设计一系列的通道，如VIP通道，尊贵会员通道，普通会员通道，及普通通道等，对象在起点位置可获得一张具有优先级的PassCard，如果这张PassCard能够打通某条通道上的所有关卡，即对象到达终点，则该对象会被识别为一致。
门禁算法 • 算法描述：如果对象在走某一条通道的途中，没有打开某个关卡，那么这时候的对象该怎么办呢？此时，对象有两种可能，一是沿着原路返回，改走其他的通道，二是被直接判定为永远无法到达终点。这就是设置PassCard的意义，当PassCard在某个关卡被消耗掉的时候，对象会被直接判定为不一致，如果打不开关卡，PassCard也没有被消耗掉，那么对象可以原路返回，改走其他的通道
门禁算法 • 算法实现：这样的一种思想是怎么在语义一致识别中去实现的呢？对于门禁算法的实现，重点在于通道的设置，通道设置的有效性及完美程度，关系到算法的效果。笔者根据大赛的数据描述，设置了四条大的通道，以及通道下面的一系列子 • 通道（子通道的某些关卡决定PassCard是否消耗），后面详细介绍四条通道。
门禁算法 • 算法实现：第一条通道（VIP）： • case 1：query与title完全一致： • query：惺惺相惜是什么意思 • title：惺惺相惜是什么意思？ • 对于这种去掉最后的符号后，前面的query短句与title短句 • 一致的情况，我们没有必要去做语义上的分析，直接走VIP通道，到达终点。
门禁算法 • 算法实现：第二条通道： • case 2：query是title的子句，存在简单的疑问词、助词变换等： • query：周杰伦的资料 • title：有关周杰伦的资料 • 或者：query：海市蜃楼是？ • title：海市蜃楼是什么？ • 对于这种query和title之间只是某些前缀或者后缀的差别， • 并没有影响语义偏差很大的对象，可以认为语义一致。当然，这种情况下并不是每种情形都会一致，这就需要用到 • 前面提到的两个算子来控制了，对于query与title长度相差超过一定范围，或者不满足两个算子所控制的界限，该对象有可能要换走其他通道，或者被判断为不一致。
门禁算法 • 算法实现：第三条通道： • case 3：query与title出现语序变化，主题词变换，但表意相同： • query：U盘分区方法 • title：u盘如何分区？ • 对于这种数据对象，这次就不像第二条通道那样增加前缀、后缀了，而是去对一些疑问词、语气词或者与疑问词同义的词语的过滤。例如：过滤掉上面的“方法”与“如何”，这样得到处理后的query和title短句就是一致的了，但是，这样过滤很可能造成大量数据的误识别，例如：
门禁算法 • 算法实现：第三条通道： • case 3：query与title出现语序变化，主题词变换，但表意相同： • 例如： • query：叔叔的妈妈如何称呼 • title：妈妈的叔叔怎样称呼 • 在这两个短句中，“如何”和“怎样”的表意是一样的，因此，它们可以被过滤掉，但是由于“叔叔”与“妈妈”的位置不一样，造成了语义不一致，这就需要对这种数据对象的再一次语义检测，从而减小识别误差。
门禁算法 • 算法实现：第四条通道： • case 4：query的语义被title用多个子句表示出来： • 这就是最难检测的那部分数据，因此要对它们做语义分析，通过语义上的相似度去判断它们是否一致，也是误差最高的地方，笔者借助MMSeg4J的jar包，对短句实现分词，分词之后通过计算词形和词序上的相似度来获得加权的相似度，其中在计算词形相似度时用到了同义词词林，由于笔者未找到比较好的反义词词林，因此，程序中没有用到反义词及否定词检测（程序留了位置），而同义词词林的词组也不超过两万条，再加上一些专业术语未加收录，因此，效果不是很好，但是只要是收录过的词语或同义词词组，都能达到很好的效果。
算法评价 • 为什么选择门禁算法？ • 笔者一开始想到了今年比较火的Deep Learning算法，但是为什么没有选择Deep Learning来做呢，原因有这么几点，现在的query语句呈现碎片化，各种带有语病的语句（如： • 错别字，杂乱的语序，甚至是比较乱的符号），等等都给 • 语义一致识别带来很大麻烦，如果要选择用深度学习算法，那么它的训练数据集将是巨大的，而且效率堪忧。再者是网络新兴词汇的诞生，经常有网络词汇诞生，这就需要适时的去更新词库，对于深度学习算法，更新词库后，需要重新训练，这样带来的工作很麻烦。
算法评价 • 门禁算法的优缺点分析： • 本次算法大赛中途更改过一次规则，以前是需要有0.9的准确率来支撑，在笔者提供的快速门禁算法中，得出的数据结果是这样的：F值：0.6158，召回率：0.4679，准确率：0.9012，可以看到，在有准确率约束的条件下，它可以达到比较好的效果。 • 我想更多的说一下它的缺点，缺点主要是对一系列子通道的设置，笔者现在基本上是靠前面提到的两个算子来控制的，但是我感觉还是不够的，这两个算子只是从短句的整体和基于自身字符的出现率来衡量的，这还属于模糊判断，笔者还在探索其他的算子。
算法评价 • 门禁算法的改进方向： • 其实在大赛的规则更改之后，我就想到了改进算法，去尝试一些颠覆性的思想，但由于工作原因，没有花时间来思考，这些想法都是感性上的一种认识，并没有强有力的理论来支撑，所以现在还不成熟，大概可以包括这么几点（这也是为了解决第四条通道的高误差问题），一种是构造多维的语义树，一种是构造全局或者局部的语义拓扑结构，甚至是对语义弱约束词的筛选等。
