AI，被“横扫记录”反噬？ 昨天，香侬科技发表论文《Glyce:

AI，被“横扫记录”反噬？

昨天，香侬科技发表论文《Glyce: Glyph-vectors for Chinese Character Representations》，提出基于中文字形的 NLP 模型——Glyce。香侬科技官方公开的论文解读中写道：

Glyce提出了基于中文字形的语义表示：把汉字当成一个图片，然后用卷积神经网络学习出语义，这样便可以充分利用汉字中的图形信息，增强了深度学习向量的语意表达能力。Glyce在总共13项、近乎所有中文自然语言处理任务上刷新了历史记录。

论文一经发表，便引起了大家的广泛关注和讨论，营长经多方搜集、参考很多网友的回答，整理了几个颇具争议性的问题：

“横扫记录”的 Glyce 与 BERT 相比较是否有意义？

一些其他论文介绍中附有“横扫 13 项中文 NLP 记录”的标题，吸引了读者的眼球，不由得将其与 BERT 进行对比。然而很多人细读后表示，Glyce 的一些设计优势，在实验效果上确有提升，记录也有刷新，但“横扫”言过其实了。根据论文给出的实验结果，有些任务并没有 BERT 达到的影响力。在命名实体识别任务中（采用 F1 作为最终评价指标，对比之前的最优模型 Lattice-LSTM），在 OneNotes、MSRA 和 Resume 三个数据集上分别超过 0.93、0.71 和 1.21 个百分点。



抛开实验效果，二者的本质也是不同的。论文发表后，香侬科技创始人李纪为对此问题进行了统一回复：

@李纪为@香侬科技：Glyce 与 BERT 本质上不太一样，是互补的。Glyce 可以认为是特征提取算法，BERT 是 pre-training，BERT 基于外部极大规模语料训练，而 Glyce 并没有用到外部语料。针对此论文中的工作，将 Glyce 与 BERT 进行对比是不公平的。



最好的结果一定会是 Glyce+BERT_pertrain,大家可以期待 Glyce 2.0。

随后，论文作者之一@吴炜也在知乎上对此问题进行了回答：


可见，没有必要将 Glyce 与 BERT 进行对比，更应先关注 Glyce 的工作本身，探讨其带来的意义、价值与反思。



论文中也提到了一些研究，关注在中文 NLP 中结合字形图像特征的方法，但并没有表现出持续的性能提升，甚至在一些研究中取得了负面效果，（Liu et al., 2017; Zhang and LeCun, 2017）、Dai and Cai, 2017）。但是，这种 idea 还是很有意思的，很多网友也表示”这篇论文真正将字形特征的思路通过实验得到 Work 的状态，还是很有价值的”。

但是谈到实验部分，很多人都对实验 Baseline 持质疑态度


@Nan Yang：这个是 1024 维的向量表示，而对于 Baseline，分词和 NER 50 维向量、词性标注是 64 维、Sentiment 是 256 维、Deppar 是 300 维、MT 是 512 维，还有几个懒得查了，一般来说在这些 Task 上维度增大好好调下都会更高，能好好做下 baseline 吗？


针对以上问题，张俊林老师也分享了他对这项工作的一些想法和意见，AI科技大本营经张俊林老师授权转载，欢迎大家一起交流学习！


以下是张俊林老师全文（略有修正）：



今天（1 月 30 日）被 Glyce 刷屏了，刚开始我是下午在微信朋友圈看到的这个新闻“香侬科技提出中文字型的深度学习模型Glyce，横扫13项中文NLP记录”，看到标题心里还有点小激动，觉得 NLP 今年大进展真的是多啊！但是白天有事没来及细看，匆匆扫了一遍，晚上回家找来论文仔细读了一下，感想比较多，下面简单谈谈我的个人看法。



首先，使用字型作为特征引入 NLP 中这种思路还是挺有意思的，但直观感觉，这种信息可能只会对语义匹配类或者汉字发音计算类的任务有帮助，对分词、词性标注、句法与分类这种任务应该没太大作用。



其次，现在很多技术媒体出于吸引眼球等目的，有标题党倾向。动不动就“超过人类”、“横扫...记录”......虽然可以理解，但这对外行或者领域经验不足的年轻人来说，引导尤其不好。“横扫”这种词不能轻易拿来用，BERT 在很多任务上取得的效果是大幅度领先的，说“横扫”没人不服气，而 Glyce 每个任务的提升幅度有限，说“横扫”只会招黑。


第三，论文的立论多少缺乏说服力。论文的立论是：象形字中包含语义信息，所以从汉字图片中抽取象形字特征作为补充。但是，象形字本身占汉字的比例并没有想象中那么高。“现行汉字最多的是形声字，象形字只是很少的一部分,但它是构成其他汉字的基础。《说文解字》形声字占所收 9353 个汉字的 80% 以上，清代《康熙字典》形声字占 90%，形声字大量增加是汉字发展的主流”。比如，“蜘蛛”的 “蛛”和“珠宝”的“珠”，这两个字是形声字，形只占了一半，声占了另外一半，CNN 提出的特征能够区分那一部分是代表声，哪一部分是代表形吗？但从特征角度讲，两个字提出的特征应该是很相似的吧？难道从预测任务来说，比如语言模型，看到“蜘蛛”的 “蛛”，我们会觉得后面将出现“珠宝”的“珠”吗？这个概率应该很小。

对于文本分类任务，两篇不同领域的文章都包含很多形声字，所以在两篇领域相差很远的文章中会存在大量重叠的偏旁部首，比如一篇体育一篇娱乐，偏旁部首会对分类有帮助吗？这在直觉上很难接受。其它高层任务，如分词、词性和情感倾向等都面临这个问题。单从直观感觉来讲：写起来比较像的文字，它们可能只在单词级别的语义匹配或发音类的任务上有用，对其它任务看不出有什么必然的联系。所以总体感觉，论文立论不太符合直觉。


另外一种解释，这种方式对于 OOV 有帮助，但从大比例汉字其实是形声字的角度看，也没有特别必然的联系。而且，如果采取汉字单字字符输入的方式，哪怕是单字 Onehot 或者 Embedding，它本身对于 OOV 也是直接有帮助的，OOV 这个问题可能并不突出。如果对比对象是字符 ID方式的话，采取图形汉字作为输入，对于 OOV 能有多大作用，目前看不到特别明显的理由。可能需要专门设计实验来验证这一点。


第四，个人觉得这里面的实验设计需要改进。拿 BERT 来比较确实不是必要的，因为两者的目的不太一样；此外，Transformer 类特征抽取器做 NLP 任务的模型应该引入对比一下，毕竟这基本已经是很多 NLP 任务中公认最强的模型了。

最关键的一点是：如何证明在这么多任务中性能的提升真的是汉字图片信息带来的，而不是 Glyce-char 之上辅助优化目标产生的效果？如果是后者产生的效果，那么把这个损失函数放在常规模型的字符 Embedding 上，也可能产生类似不同任务的提升效果。个人感觉很大可能是一定比例的性能提升来自于这个辅助损失函数，它有助于优化单字 Embedding 的表达能力，而与字符是图形形式还是 ID 形式关系并无如此之大。建议做个对比实验：把模型中的 Glyce 去掉，然后给常规模型 Char 的 Embedding 也加上辅助损失函数，然后再和具有 Glyce 的比较。如果证明不是这个因素发挥作用，那么还能增加实验的说服力。

第五，当然还有其他一些值得讨论的地方。比如论文开始提到的“其他利用字型的工作之所以效果不好，是因为简体字经过简化，缺乏历史上的语义信息，所以一个创新点是引入其他字体”，实验并没有充分说明这一点。除了字符级语言模型外，其它实验并没有对这两者效果作对比，无法确定这个立论是否成立，除非大量任务上都证明多种字体效果好于单字体，这个立论才成立。而从目前版本的论文中看不出这点。再比如文中使用的“Tianzige（田字格）——CNN 架构，这个就是偏文艺化的说法了，为什么 pooling 后不能是 5 或者 6，而只能是 4 形成田字格呢？如果是 6 的话，跟田字格又有什么关系呢？这个架构的提出应该更严谨一些。

作为技术人员，我们都希望能有新技术、大突破，但是技术本身说服力够强才是基础。也希望技术媒体能够客观进行报道，AI 泡沫本来已经快破了，希望不要推波助澜进一步加快这个破灭过程，这样对所有人其实都不好。

这是什么，是刷脸吗？

手动点赞~~~

牛！ 这事还真的只有象形文字能搞~~ 特别看好基于中文的AI。

新中国成立之初，就对汉字进行了改革。 是时候，再来一次了，应该以“象形”为核心，深化和规范汉字。

厉害了，反正看着中国的发展就是高兴

虽然看着还是有点迷糊，不过还是感觉很厉害