NLP大賽冠軍總結：300萬知乎多標籤文本分類任務(附深度學習源碼)

NLP大賽冠軍總結：300萬知乎多標籤文本分類任務(附深度學習源碼)

 

 

七月，酷暑難耐，認識的幾位同窗參加知乎看山杯，均取得不錯的排名。當時天池AI醫療大賽初賽結束，官方正在爲複賽進行平臺調試，複賽時間一拖再拖。看着幾位同窗在比賽中排名都還很不錯，因而決定抽空試一試。結果一發不可收拾，又找了兩個同窗一塊兒組隊（隊伍init）以致於整個暑假都投入到這個比賽之中，並最終以必定的優點奪得第一名。 1. 比賽介紹 這是一個文本多分類的問題：目標是「參賽者根據知乎給出的問題及話題標籤的綁定關係的訓練數據，訓練出對未標註數據自動標註的模型」。通俗點講就是：當用戶在知乎上提問題時，程序要可以根據問題的內容自動爲其添加話題標籤。一個問題可能對應着多個話題標籤，以下圖所示。   這是一個文本多分類，多label的分類問題（一個樣本可能屬於多個類別）。總共有300萬條問題-話題對，超過2億詞，4億字，共1999個類別。 1.1 數據介紹 參考 https://biendata.com/competition/zhihu/data/ https://biendata.com/competition/zhihu/rules/?next_url=%2Fcompetition%2Fzhihu%2Fdata%2F   總的來講就是： 數據通過脫敏處理，看到的不是「如何評價2017知乎看山杯機器學習比賽」，而是「w2w34w234w54w909w2343w1'這種通過映射的詞的形式，或者是」c13c44c4c5642c782c934c02c2309c42c13c234c97c8425c98c4c340'這種通過映射的字的形式。 由於詞和字通過脫敏處理，因此沒法使用第三方的詞向量，官方特意提供了預訓練好的詞向量，即char_embedding.txt和word_embedding.txt ，都是256 維。 主辦方提供了1999個類別的描述和類別之間的父子關係（好比機器學習的父話題是人工智能，統計學和計算機科學），但這個知識沒有用上。 訓練集包含300萬條問題的標題（title），問題的描述（description）和問題的話題（topic） 測試集包含21萬條問題的標題（title）,問題的描述(description)，須要給出最有可能的5個話題（topic） 1.2 數據處理 數據處理主要包括兩部分： char_embedding.txt 和 word_embedding.txt 轉爲numpy格式，這個很簡單，直接使用word2vec的python工具便可 對於不一樣長度的問題文本，pad和截斷成同樣長度的（利用pad_sequence 函數，也能夠本身寫代碼pad）。過短的就補空格，太長的就截斷。操做圖示以下：         1.3 數據加強 文本中數據加強不太常見，這裏咱們使用了shuffle和drop兩種數據加強，前者打亂詞順序，後者隨機的刪除掉某些詞。效果舉例如圖：       1.4 評價指標 每一個預測樣本，提供最有可能的五個話題標籤，計算加權後的準確率和召回率，再計算F1值。注意準確率是加權累加的，意味着越靠前的正確預測對分數貢獻越大，同時也意味着準確率可能高於1，可是F1值計算的時候分子沒有乘以2，因此0.5是很難達到的。   2 模型介紹 建議你們先閱讀這篇文章，瞭解文本多分類問題幾個經常使用模型：用深度學習（CNN RNN Attention）解決大規模文本分類問題 https://zhuanlan.zhihu.com/p/25928551   2.1 通用模型結構 文本分類的模型不少，此次比賽中用到的模型基本上都遵循如下的架構：           基本思路就是，詞（或者字）通過embedding層以後，利用CNN/RNN等結構，提取局部信息、全局信息或上下文信息，利用分類器進行分類，分類器的是由兩層全鏈接層組成的。 在開始介紹每一個模型以前，這裏先下幾個結論： 若是你的模型分數不夠高，試着把模型變得更深更寬更復雜 當模型複雜到必定程度的時候，不一樣模型的分數差距很小 當模型複雜達到必定程度，繼續變複雜難以繼續提高模型的分數   2.2 TextCNN 這是最經典的文本分類模型，這裏就不細說了，模型架構以下圖：         和原始的論文的區別就在於： 使用兩層卷積 使用更多的卷積核，更多尺度的卷積核 使用了BatchNorm 分類的時候使用了兩層的全鏈接 總之就是更深，更復雜。不過卷積核的尺寸設計的不夠合理，致使感覺野差距過大。 2.3 TextRNN 沒找到論文，我就憑感受實現了一下：           相比於其餘人的作法，這裏的不一樣點在於： 使用了兩層的雙向LSTM。 分類的時候不是隻使用最後一個隱藏元的輸出，而是把全部隱藏元的輸出作K-MaxPooling再分類。 2.4 TextRCNN 參考原論文的實現，和RNN相似，也是兩層雙向LSTM，可是須要和Embedding層的輸出Concat(相似於resnet的shortcut直連)。         2.5 TextInception 這個是我本身提出來的，參照TextCNN的思想（多尺度卷積核），模仿Inception的結構設計出來的，一層的Inception結構以下圖所示，比賽中用了兩層的Inception結構，最深有4層卷積，比TextCNN更深。         2.6 訓練方法 要點： 基於詞和基於字的模型要分開訓，而後融合，一塊兒訓的效果很差 使用官方給的word-embedding.txt和char-embedding.txt初始化Embedding層的權重 剛開始訓練的時候Embedding層的學習率爲0，其它層的學習率爲1e-3，採用Adam優化器（一開始的時候卷積層都是隨機初始化的，反向傳播獲得的Embedding層的梯度受到卷積層的影響，至關於噪聲） 訓練1-2個epoch以後，Embedding層的學習率設爲2e-4 每一個epoch或者半個epoch統計一次在驗證集的分數 若是分數上升，保存模型，並記下保存路徑 若是分數降低，加載上一個模型的保存路徑，並下降學習率爲一半（從新初始化優化器，清空動量信息，而不是隻修改學習率----使用PyTorch的話新建一個新優化器便可） 2.7 各個模型分數計算 訓練的時候，每一個模型要麼只訓練基於詞（word）的模型，要麼只訓練基於字（char）的模型。各個模型的分數都差很少，這裏再也不單獨列出來了，只區分訓練的模型的類型和數據加強與否。         能夠看出來 基於詞的模型效果遠遠好於基於字的（說明中文分詞頗有必要）。 數據加強對基於詞（word）的模型有必定的提高，可是對於基於字（char）的模型主要是起到反作用。 各個模型之間的分數差距不大。   2.8 模型融合 像這種模型比較簡單，數據量相對比較小的比賽，模型融合是比賽獲勝的關鍵。 在這裏，我只使用到了最簡單的模型融合方法-----機率等權重融合。對於每一個樣本，單模型會給出一個1999維的向量，表明着這個模型屬於1999個話題的機率。融合的方式就是把每個模型輸出的向量直接相加，而後選擇機率最大的5個話題提交。結構如圖所示：         下面咱們再來看看兩個模型融合的分數：         第一列的對比模型採用的是RNN（不採用數據加強，使用word做爲訓練數據），第二列是四個不一樣的模型（不一樣的結構，或者是不一樣的數據）。 咱們能夠得出如下幾個結論： 從第一行和第二行的對比之中咱們能夠看出，模型差別越大提高越多（RNN和RCNN比較類似，由於他們底層都採用了雙向LSTM提取特徵），雖然RCNN的分數比Inception要高，Inception對模型融合的提高更大。 從第一行和第四行的對比之中咱們能夠看出，數據的差別越大，融合的提高越多，雖然基於字（char）訓練的模型分數比較低，可是和基於詞訓練的模型進行融合，仍是能有極大的提高。 採用數據加強，有助於提高數據的差別性，對模型融合的提高幫助也很大。 總結： 差別性越大，模型融合效果越好。沒有差別性，創造條件也要製造差別性。 另外模型融合還有個規律：越往上越難提高,有些模型在你分數較低的時候，對融合提高很明顯，當你分數較高的時候就沒什麼幫助，甚至會有干擾 2.9 MultiModel 其實模型融合的方式，咱們換一種角度考慮，其實就是一個很大的模型，每個分支就像多通道的TextCNN同樣。那麼咱們能不能訓練一個超級大的模型？答案是能夠的，可是效果每每不好。由於模型過於複雜，太難以訓練。這裏我嘗試了兩種改進的方法。 第一種方法，利用預訓練好的單模型初始化複雜模型的某一部分參數，模型架構如圖所示：           可是這種作法會帶來一個問題： 模型過擬合很嚴重，難以學習到新的東西。由於單模型在訓練集上的分數都接近0.5，已經逼近理論上的極限分數，這時候很難接着學習到新的內容。這裏採起的應對策略是採用較高的初始學習率，強行把模型從過擬合點拉出來，使得模型在訓練集上的分數迅速下降到0.4左右，而後再下降學習率，緩慢學習，提高模型的分數。 第二種作法是修改預訓練模型的embedding矩陣爲官方給的embedding權重。這樣共享embedding的作法，可以必定程度上抑制模型過擬合，減小參數量。雖然CNN/RNN等模型的參數過擬合，可是因爲相對應的embedding沒有過擬合，因此模型一開始分數就會降低許多，而後再緩慢提高。這種作法更優。在最後提交模型復現成績的時候，我只提交了七個這種模型，裏面包含着不一樣子模型的組合，通常包含3-4個子模型。這種方式生成的權重文件也比較小（600M-700M左右），上傳到網盤相對來講更方便。         2.10 失敗的模型或沒什麼用的方法 MultiMode只是我諸多嘗試的方法中比較成功的一個，其它方法大多以失敗了結（或者效果不明顯） 數據多折訓練：由於過擬合嚴重，想着先拿一半數據訓，容許它充分過擬合，而後再拿另一半數據訓。效果不如以前的模型。 Attention Stack，參考了這篇文章，其實本質上至關於調權重，可是效果有限，還麻煩，因此最後直接用等權重融合（權重全設爲1）。   Stack，太費時費力，浪費了很多時間，也有多是實現有誤，提高有限，沒有繼續研究下去。 Boost，和第二名Koala的方法很像，先訓一個模型，而後再訓第二個模型和第一個模型的輸出相加，可是固定第一個模型的參數。至關於不停的修正上一個模型誤判的(能夠嘗試計算一下梯度，你會發現第一個模型已經判對的樣本，即便第二個模型判別錯了，第二個模型的梯度也不會很大，即第二個模型不會花費太多時間學習這個樣本）。可是效果很差，緣由：過擬合很嚴重，第一個模型在訓練集上的分數直接就逼近0.5，致使第二個模型什麼都沒學到。Koala隊伍最終就是憑藉着這個Boost模型拿到了第二名，我過早放棄，沒能在這個方法上有所突破十分遺憾。 TTA（測試時數據加強），至關於在測試的時候人爲的製造差別性，對單模型的效果通常，對融合幾乎沒有幫助。 Hyperopt進行超參數查詢，主要用來查詢模型融合的權重，效果通常，最後就也沒有使用了，就手動稍微調了一下。 label設權重，對於正樣本給予更高的權重，訓練模型，而後和正常權重的模型進行融合，在單模型上可以提高2-3個千分點（十分巨大），可是在最後的模型融合是效果頗有限（0.0002），並且須要調整權重比較麻煩，遂捨棄。 用分類獲得的詞向量做爲下一個模型的embedding的初始值，由於官方給的word embedding是用無監督的word2vec訓練的，和有監督的分類問題仍是有必定誤差的。沒有深刻研究下去，對單模型應該是有提高，可是對融合可能沒什麼幫助。 3 結束語 我以前雖然學過CS224D的課程，也作了前兩次的做業，可是除此以外幾乎歷來沒寫過天然語言處理相關的代碼，能拿第一離不開隊友的支持，和同窗們不斷的激勵。 此次比賽入門對我幫助最大的兩篇文章是用深度學習（CNN RNN Attention）解決大規模文本分類問題 https://zhuanlan.zhihu.com/p/25928551 和deep-learning-nlp-best-practices http://ruder.io/deep-learning-nlp-best-practices/index.html 第一篇是北郵某學長（但我並不認識~）寫的，介紹了許多文本分類的模型（CNN/RNN/RCNN），對我入門幫助很大。 第二篇是國外某博士寫的，當時我已經把分數刷到前三，在家看到了這篇文章，歎爲觀止，解釋了我不少的疑惑，提到的不少經驗總結和個人狀況也確實相符。https://zhuanlan.zhihu.com/p/28923961