从局部到全局:语义相似度的测地线距离
©PaperWeekly 原创 · 作者 | 苏剑林
单位 | 追一科技
研究方向 | NLP、神经网络
前段时间在最近的一篇论文《Unsupervised Opinion Summarization Using Approximate Geodesics》[1] 中学到了一个新的概念,叫做“测地线距离(Geodesic Distance)”,感觉有点意思,特来跟大家分享一下。
对笔者来说,“新”的不是测地线距离概念本身(以前学黎曼几何的时候就已经接触过了),而是语义相似度领域原来也可以巧妙地构造出测地线距离出来,并在某些场景下发挥作用。如果乐意,我们还可以说这是“流形上的语义相似度”,是不是瞬间就高级了不少?
论文梗概
首先,我们简单总结一下原论文的主要内容。顾名思义,论文的主题是摘要,通常我们的无监督摘要是这样做的:假设文章由 n 个句子 组成,给每个句子设计打分函数 (经典的是 tf-idf 及其变体),然后挑出打分最大的若干个句子作为摘要。
当然,论文做的不是简单的摘要,而是“Opinion Summarization”,这个“Opinion”,我们可以理解为实现给定的主题或者中心 c,摘要应该倾向于抽取出与 c 相关的句子,所以打分函数应该还应该跟 c 有关,即 。
自从“万物皆 Embedding”后, 的一种主流设计方式就是将句子 和主题 c 都编码为相应的句向量 ,然后用某种距离的倒数作为打分函数:
在这种设计中,句向量的编码模型 和距离函数 都是可设计的空间。原论文在 和 上都做了一些工作,其中 不是本文关心的内容,暂且略过,有兴趣的读者自行看原论文。至于论文在 上的贡献,就是将常见的简单距离,换成了本文的主题“测地线距离”。
原理分析
为什么要用到测地线距离?这要从我们训练句向量的方案说起。
学习句向量的方式既可以是有监督的,也可以是无监督的。以有监督为例,一般就是正样本对和负样本对做对比学习(参考《CoSENT:比Sentence-BERT更有效的句向量方案》),正样本对就是标记出两个语义基本相同的句子,我们可以认为它们相似度很高,或者距离很小。
问题出在负样本对,作为两个语义不相同的句子,它们可能是特意标记出来的困难样本,也可能是随机挑出来的两个不相关样本,原则上这两种情况应当赋予不同的距离,但实际都只是标记了同一个标签,即“负”。
这就导致了一个结果,我们用句向量算出来的距离数值,理论上是对语义比较相近的句子才比较准确,对于语义差距比较大的句子,距离数值只能够用来区分出正负样本,但不能在邻近范围内做比较。举个例子,我们可以说距离为 1 的比距离为 2 的更相似,也可以说距离为 1 的比距离为 10 的更相似,但没法说距离为 10 的比距离为 11 的更相似,因为距离大了,其绝对数值就不准了。
检索场景下,通常要召回相似度很高(也就是距离很小)的样本,因此直接用简单的距离函数 去检索就行。但是,对于原论文的“Opinion Summarization”场景,要计算的是句子 与主题 c 的距离 ,“句子”与“主题”的相似度就未必很大了(距离偏大),也就是说,它是要在距离相似度偏大的区间做相对比较,这就适合用到测地线距离了。
测地距离
测地线距离,简单来说就是两点之间的最短距离,由于流形未必是平直的,因此该距离未必是两点之间的直线距离(欧式距离),经典例子就是从地球的南极走到北极,我们没法穿过地心走直线,只能沿着地球表面先走到赤道然后再走到南极,走了一条曲线(半圆)距离。
在局部范围内(此时距离比较小),地球还是平的,所以欧式距离还是可用的,但是放到“南极-北极”、“南极-赤道”这样的大距离就不够准确了,这就跟刚才的语义相似度场景很相似了——已知的距离(比如欧式距离)在近距离内比较准确,在远距离不准确,本质上就是因为流形不是平直的。
幸运的是,有局部距离就够了,我们将其转化为一个图的问题,可以利用“最短路径”的算法估算出近似的测地线距离。
具体来说,我们可以用现有的距离函数算出每个点与剩余点的距离,然后只保留距离最近的 k 个点(也可以按阈值截断,看具体情况),在它们之间连一条边并标记上距离,这样一来所有点和边构成了一个加权图(我们称之为“k 邻近图”),我们就可以用 Dijkstra 算法来搜索出图上任意两点的最短路径,并计算出它的长度,这就是测地线距离的近似结果。
总的来说,在“相近点的距离比较准、较远点的距离比较不准”的假设下,我们可以 k 邻近图加最短路径的方法,估算较远点的测地线距离来作为替代品。由于测地线距离考虑了向量空间的流形状况,所以有可能取得比较好的效果(参考原论文的 Table 8)。
参考文献
[1] https://arxiv.org/abs/2209.07496
更多阅读
#投 稿 通 道#
让你的文字被更多人看到
如何才能让更多的优质内容以更短路径到达读者群体,缩短读者寻找优质内容的成本呢?答案就是:你不认识的人。
总有一些你不认识的人,知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁,促使不同背景、不同方向的学者和学术灵感相互碰撞,迸发出更多的可能性。
PaperWeekly 鼓励高校实验室或个人,在我们的平台上分享各类优质内容,可以是最新论文解读,也可以是学术热点剖析、科研心得或竞赛经验讲解等。我们的目的只有一个,让知识真正流动起来。
从局部到全局:语义相似度的测地线距离相关推荐
- 文本匹配(语义相似度/行为相关性)技术综述
NLP 中,文本匹配技术,不像 MT.MRC.QA 等属于 end-to-end 型任务,通常以文本相似度计算.文本相关性计算的形式,在某应用系统中起核心支撑作用,比如搜索引擎.智能问答.知识检索.信 ...
- 【人工智能】— 贝叶斯网络、概率图模型、全局语义、因果链、朴素贝叶斯模型、枚举推理、变量消元
[人工智能]- 贝叶斯网络 频率学派 vs. 贝叶斯学派 贝叶斯学派 Probability(概率): 独立性/条件独立性: Probability Theory(概率论): Graphical mo ...
- 从局部到全局的多模式电影场景分割
从局部到全局的多模式电影场景分割 CVPR2020 个人总结 1.研究现状: 2.研究的意义: 3.提出的解决方案(局部到全局的场景分割模型): 4.电影场景数据集: 5.结论: 全文翻译 从局部到全 ...
- 【读点论文】Focal Self-attention for Local-Global Interactions in Vision Transformers局部和全局注意力进行交互实现新SOTA
Focal Self-attention for Local-Global Interactions in Vision Transformers Abstract 本文提出了一种焦点自注意力机制 F ...
- 直播 | ICML 2021论文解读:具有局部和全局结构的自监督图表征学习
「AI Drive」是由 PaperWeekly 和 biendata 共同发起的学术直播间,旨在帮助更多的青年学者宣传其最新科研成果.我们一直认为,单向地输出知识并不是一个最好的方式,而有效地反馈和 ...
- 基于神经网络模型的文本语义通顺度计算研究-全文复现(还没弄完)
该硕士学位论文分为两个部分: ①基于依存句法分析的语义通顺度计算方法 ②基于神经网络模型的语义通顺度计算方法 本篇记录摘抄了该论文的核心内容以及实验复现的详细步骤. 在N-gram模型下进行智能批改场 ...
- DSSM、CNN-DSSM、LSTM-DSSM等深度学习模型在计算语义相似度上的应用+距离运算
在NLP领域,语义相似度的计算一直是个难题:搜索场景下query和Doc的语义相似度.feeds场景下Doc和Doc的语义相似度.机器翻译场景下A句子和B句子的语义相似度等等.本文通过介绍DSSM.C ...
- 语义相似度(理论篇)
如果本文观点有不对的地方,欢迎指正! author:佟学强 开场白:对于事物的理解,一般分3个层次:①看山是山,看水是水②看山不是山,看水不是水③看山是山,看水是水.对AI和nlp的理解,同样会有这三 ...
- 深度学习解决NLP问题:语义相似度计算——DSSM
tongzhou 转载请注明出处: http://blog.csdn.net/u013074302/article/details/76422551 导语 在NLP领域,语义相似度的计算一直是个难题: ...
最新文章
- Git与github基本操作
- win2008server设置问题
- jQuery 基本操作
- 项目经理如何管理情绪?这三本书管理书籍你必须要看
- 记事本之修改非txt文档
- ubuntu14.04 LTS Visual Studio Code 编辑器推荐
- 光伏组件为何出现白色线条?
- 【C++函数】strcat()
- win10 uwp 重启软件
- Mobicents记录1:如何搭建和运行mobicents3.0环境(基于jboss7.2)
- discuz 任务扩展
- linux 下查看tomcat版本
- php 递归函数返回数组,php递归函数 PHP中Array相关函数简介
- 用python模拟clark变换和park变换
- 人、猕猴、小鼠静息态三重网络
- 【第一节】抠图 -- 薄、透、露的朦胧感
- html的视频字幕制作步骤,视频字幕制作软件如何制作视频滚动字幕|滚动字幕视频制作...
- SAP PO的结算状态
- 现在网络安全员工资一般多少(网络安全员平均工资)
- databindingutil.setcontentview type mismatch 从使用角度区分ViewBinding和DataBinding