乾貨 | 深度學習在文本分類中的應用

做者：llhthinker 我的博客：http://www.cnblogs.com/llhthinker/

1 文本分類任務介紹

文本分類是天然語言處理的一個基本任務，試圖推斷出給定的文本（句子、文檔等）的標籤或標籤集合。

文本分類的應用很是普遍。如：

垃圾郵件分類：二分類問題，判斷郵件是否爲垃圾郵件

情感分析

二分類問題，判斷文本情感是積極(positive)仍是消極(negative)

多分類問題，判斷文本情感屬於{很是消極，消極，中立，積極，很是積極}中的哪一類

新聞主題分類：判斷新聞屬於哪一個類別，如財經、體育、娛樂等

自動問答系統中的問句分類

社區問答系統中的問題分類：多標籤分類，如知乎看山杯

更多應用：

讓AI當法官: 基於案件事實描述文本的罰金等級分類（多分類）和法條分類（多標籤分類）。

判斷新聞是否爲機器人所寫: 二分類

......

不一樣類型的文本分類每每有不一樣的評價指標，具體以下：

二分類：accuracy，precision，recall，f1-score，...

多分類: Micro-Averaged-F1， Macro-Averaged-F1, ...

多標籤分類：Jaccard類似係數, ...

2 傳統機器學習方法

傳統的機器學習方法主要利用天然語言處理中的n-gram概念對文本進行特徵提取，而且使用TFIDF對n-gram特徵權重進行調整，而後將提取到的文本特徵輸入到Logistics迴歸、SVM等分類器中進行訓練。可是，上述的特徵提取方法存在數據稀疏和維度爆炸等問題，這對分類器來講是災難性的，而且使得訓練的模型泛化能力有限。所以，每每須要採起一些策略進行降維：

人工降維：停用詞過濾，低頻n-gram過濾等

自動降維：LDA等

值得指出的是，將深度學習中的word2vec，doc2vec做爲文本特徵與上文提取的特徵進行融合，經常能夠提升模型精度。

3 CNN用於文本分類

論文Convolutional Neural Networks for Sentence Classification提出了使用CNN進行句子分類的方法。

3.1 CNN模型推導

一個句子是由多個詞拼接而成的，若是一個句子有n個詞，且第i個詞表示爲xi，詞xi經過embedding後表示爲k維的向量，即xi∈ℜk，則一個句子x1:n爲n∗k的矩陣，能夠形式化以下：

3.2 優化CNN模型

• 隨機初始化 （CNN-rand）
• 預訓練詞向量進行初始化，在訓練過程當中固定 (CNN-static)
• 預訓練詞向量進行初始化，在訓練過程當中進行微調 (CNN-non-static)
• 多通道(CNN-multichannel):將固定的預訓練詞向量和微調的詞向量分別看成一個通道(channel)，卷積操做同時在這兩個通道上進行，能夠類比於圖像RGB三通道。

上圖爲模型架構示例，在示例中，句長n=9，詞向量維度k=6，filter有兩種窗口大小（或者說kernel size），每種有2個，所以filter總個數m=4，其中:

一種的窗口大小h=2（紅色框），卷積後的向量維度爲n−h+1=8

另外一種窗口大小h=3（黃色框），卷積後的向量維度爲n−h+1=7

Dropout: 對全鏈接層的輸入z向量進行dropout

y=W⋅(z∘r)+b

其中r∈ℜm爲masking向量（每一個維度值非0即1，能夠經過伯努利分佈隨機生成），和向量z進行元素與元素對應相乘，讓r向量值爲0的位置對應的z向量中的元素值失效（梯度沒法更新）。

L2-norms: 對L2正則化項增長限制：當正則項‖W‖2>s時, 令‖W‖2=s，其中s爲超參數。

3.3 一些結論

Multichannel vs. Single Channel Models: 雖然做者一開始認爲多通道能夠預防過擬合，從而應該表現更高，尤爲是在小規模數據集上。但事實是，單通道在一些語料上比多通道更好；

Static vs. Non-static Representations: 在大部分的語料上，CNN-non-static都優於CNN-static，一個解釋：預訓練詞向量可能認爲‘good’和‘bad’相似（可能它們有許多相似的上下文），可是對於情感分析任務，good和bad應該要有明顯的區分，若是使用CNN-static就沒法作調整了；

Dropout能夠提升2%–4%性能(performance)；

對於不在預訓練的word2vec中的詞，使用均勻分佈U[−a,a]隨機初始化，而且調整a使得隨機初始化的詞向量和預訓練的詞向量保持相近的方差，能夠有微弱提高；

能夠嘗試其餘的詞向量預訓練語料，如Wikipedia[Collobert et al. (2011)]

Adadelta(Zeiler, 2012)和Adagrad(Duchi et al., 2011)能夠獲得相近的結果，可是所需epoch更少。

3.4 進一步思考CNN

3.4.1 爲何CNN可以用於文本分類（NLP）？

爲何CNN可以用於文本分類（NLP）？

RNN能夠提取全局特徵

RCNN（下文說明）: RNN和CNN的結合

filter至關於N-gram ？

filter只提取局部特徵？全局特徵怎麼辦？能夠融合嗎？

3.4.2 超參數怎麼調？

論文A Sensitivity Analysis of (and Practitioners' Guide to) Convolutional Neural Networks for Sentence Classification提供了一些策略。

用什麼樣的詞向量

使用預訓練詞向量比隨機初始化的效果要好

採起微調策略（non-static）的效果比固定詞向量（static）的效果要好

沒法肯定用哪一種預訓練詞向量(Google word2vec / GloVe representations)更好，不一樣的任務結果不一樣，應該對於你當前的任務進行實驗；

filter窗口大小、數量

在實踐中，100到600是一個比較合理的搜索空間。

每次使用一種類型的filter進行實驗，代表filter的窗口大小設置在1到10之間是一個比較合理的選擇。

首先在一種類型的filter大小上執行搜索，以找到當前數據集的「最佳」大小，而後探索這個最佳大小附近的多種filter大小的組合。

每種窗口類型的filter對應的「最好」的filter個數(feature map數量)取決於具體數據集；

可是，能夠看出，當feature map數量超過600時，performance提升有限，甚至會損害performance，這多是過多的feature map數量致使過擬合了；

激活函數 (tanh, relu, ...)

Sigmoid, Cube, and tanh cube相較於Relu和Tanh的激活函數，表現很糟糕；

tanh比sigmoid好，這多是因爲tanh具備zero centering property(過原點);

與Sigmoid相比，ReLU具備非飽和形式(a non-saturating form)的優勢，並可以加速SGD的收斂。

對於某些數據集，線性變換(Iden，即不使用非線性激活函數)足夠捕獲詞嵌入與輸出標籤之間的相關性。（可是若是有多個隱藏層，相較於非線性激活函數，Iden就不太適合了，由於徹底用線性激活函數，即便有多個隱藏層，組合後整個模型仍是線性的，表達能力可能不足，沒法捕獲足夠信息）；

所以，建議首先考慮ReLU和tanh，也能夠嘗試Iden

池化策略：最大池化就是最好的嗎

對於句子分類任務，1-max pooling每每比其餘池化策略要好；

這多是由於上下文的具體位置對於預測Label可能並非很重要，而句子某個具體的n-gram(1-max pooling後filter提取出來的的特徵)可能更能夠刻畫整個句子的某些含義，對於預測label更有意義；

(可是在其餘任務如釋義識別，k-max pooling可能更好。)

正則化

0.1到0.5之間的非零dropout rates可以提升一些performance（儘管提高幅度很小），具體的最佳設置取決於具體數據集；

對l2 norm加上一個約束每每不會提升performance（除了Opi數據集）；

當feature map的數量大於100時，可能致使過擬合，影響performance，而dropout將減輕這種影響；

在卷積層上進行dropout幫助很小，並且較大的dropout rate對performance有壞的影響。

3.5 字符級別的CNN用於文本分類

論文Character-level convolutional networks for text classification將文本當作字符級別的序列，使用字符級別（Character-level）的CNN進行文本分類。

3.5.1 字符級CNN的模型設計

首先須要對字符進行數字化（quantization）。具體以下：

定義字母表(Alphabet)：大小爲m (對於英文m=70，以下圖，以後會考慮將大小寫字母都包含在內做爲對比)

字符數字化（編碼）： "one-hot"編碼

序列（文本）長度：l0 (定值)

而後論文設計了兩種類型的卷積網絡：Large和Small（做爲對照實驗）

它們都有9層，其中6層爲卷積層(convolutional layer)；3層爲全鏈接層(fully-connected layer)：

Dropout的機率都爲0.5

使用高斯分佈(Gaussian distribution)對權重進行初始化：

最後一層卷積層單個filter輸出特徵長度(the output frame length)爲 l6=(l0−96)/27，推

第一層全鏈接層的輸入維度(其中1024和256爲filter個數或者說frame/feature size):

Large: l6∗1024

Small: l6∗256

下圖爲模型的一個圖解示例。其中文本長度爲10，第一層卷積的kernel size爲3（半透明黃色正方形），卷積個數爲9（Feature=9），步長爲1，所以Length=10-3+1=8，而後進行非重疊的max-pooling（即pooling的stride=size），pooling size爲2，所以池化後的Length = 8 / 2 = 4。

3.5.2 字符級CNN的相關總結與思考

字符級CNN是一個有效的方法

數據集的大小能夠爲選擇傳統方法仍是卷積網絡模型提供指導：對於幾百上千等小規模數據集，能夠優先考慮傳統方法，對於百萬規模的數據集，字符級CNN開始表現不錯。

字符級卷積網絡很適用於用戶生成數據(user-generated data)（如拼寫錯誤，表情符號等），

沒有免費的午飯(There is no free lunch)

中文怎麼辦

中文中的同音詞很是多，如何克服？

若是把中文中的每一個字做爲一個字符，那麼字母表將很是大

是否能夠把中文先轉爲拼音(pinyin)？

論文Character-level Convolutional Network for Text Classification Applied to Chinese Corpus進行了相關實驗。

將字符級和詞級進行結合是否結果更好

英文如何結合

中文如何結合

3.5.3 使用同義詞表進行數據加強

對於深度學習模型，採用適當的數據加強(Data Augmentation)技術能夠提升模型的泛化能力。數據加強在計算機視覺領域比較常見，例如對圖像進行旋轉，適當扭曲，隨機增長噪聲等操做。對於NLP，最理想的數據加強方法是使用人類複述句子（human rephrases of sentences），可是這比較不現實而且對於大規模語料來講代價昂貴。

一個更天然的選擇是使用詞語或短語的同義詞或同義短語進行替換，從而達到數據加強的目的。具體作法以下：

英文同義詞典: from the mytheas component used in LibreOffice1 project. http://www.libreoffice.org/

從給定的文本中抽取出全部能夠替換的詞，而後隨機選擇r個進行替換，其中r由一個參數爲pp的幾何分佈(geometric distribution)肯定，即P[r]∼pr

給定一個待替換的詞，其同義詞可能有多個（一個列表），選擇第s個的機率也經過另外一個幾何分佈肯定，即P[s]∼qs。這樣是爲了當前詞的同義詞列表中的距離較遠(s較大)的同義詞被選的機率更小。

論文實驗設置:p=0.5,q=0.5。

4 RNN用於文本分類

策略1：直接使用RNN的最後一個單元輸出向量做爲文本特徵

策略2：使用雙向RNN的兩個方向的輸出向量的鏈接（concatenate）或均值做爲文本特徵

策略3：將全部RNN單元的輸出向量的均值pooling或者max-pooling做爲文本特徵

策略4：層次RNN+Attention, Hierarchical Attention Networks

5 RCNN（RNN+CNN）用於文本分類

論文Recurrent Convolutional Neural Networks for Text Classification設計了一種RNN和CNN結合的模型用於文本分類。

5.1 RCNN模型推導

5.1.1 詞表示學習

使用雙向RNN分別學習當前詞wi的左上下文表示cl(wi)和右上下文表示cr(wi)，再與當前詞自身的表示e(wi)鏈接，構成卷積層的輸入xi。具體以下:

而後將xi做爲wi的表示，輸入到激活函數爲tanh,kernel size爲1的卷積層，獲得wi的潛在語義向量(latent semantic vector)

將kernel size設置爲1是由於xi中已經包含wi左右上下文的信息，無需再使用窗口大於1的filter進行特徵提取。可是須要說明的是，在實踐中仍然能夠同時使用多種kernel size的filter，如[1, 2, 3]，可能取得更好的效果，一種可能的解釋是窗口大於1的filter強化了wi的左右最近的上下文信息。此外，實踐中可使用更復雜的RNN來捕獲wi的上下文信息如LSTM和GRU等。

5.1 2 文本表示學習

通過卷積層後，得到了全部詞的表示，而後在通過最大池化層和全鏈接層獲得文本的表示，最後經過softmax層進行分類。具體以下：

下圖爲上述過程的一個圖解:

5.2 RCNN相關總結

NN vs. traditional methods: 在該論文的全部實驗數據集上，神經網絡比傳統方法的效果都要好

Convolution-based vs. RecursiveNN: 基於卷積的方法比基於遞歸神經網絡的方法要好

RCNN vs. CFG and C&J: The RCNN能夠捕獲更長的模式(patterns)

RCNN vs. CNN: 在該論文的全部實驗數據集上，RCNN比CNN更好

CNNs使用固定的詞窗口(window of words), 實驗結果受窗口大小影響

RCNNs使用循環結構捕獲普遍的上下文信息

6 必定要CNN/RNN嗎

上述的深度學習方法經過引入CNN或RNN進行特徵提取，能夠達到比較好的效果，可是也存在一些問題，如參數較多致使訓練時間過長，超參數較多模型調整麻煩等。下面兩篇論文提出了一些簡單的模型用於文本分類，而且在簡單的模型上採用了一些優化策略。

6.1 深層無序組合方法

論文Deep Unordered Composition Rivals Syntactic Methods for Text Classification提出了NBOW(Neural Bag-of-Words)模型和DAN(Deep Averaging Networks)模型。對比了深層無序組合方法(Deep Unordered Composition)和句法方法(Syntactic Methods)應用在文本分類任務中的優缺點，強調深層無序組合方法的有效性、效率以及靈活性。

6.1.1 Neural Bag-of-Words Models

論文首先提出了一個最簡單的無序模型Neural Bag-of-Words Models (NBOW model)。該模型直接將文本中全部詞向量的平均值做爲文本的表示，而後輸入到softmax 層，形式化表示以下：

6.1.2 Considering Syntax for Composition

一些考慮語法的方法：

Recursive neural networks (RecNNs)

能夠考慮一些複雜的語言學現象，如否認、轉折等 (優勢)

實現效果依賴輸入序列（文本）的句法樹（可能不適合長文本和不太規範的文本）

須要更多的訓練時間

Using a convolutional network instead of a RecNN

時間複雜度一樣比較大，甚至更大（經過實驗結果得出的結論，這取決於filter大小、個數等超參數的設置）

6.1.3 Deep Averaging Networks

Deep Averaging Networks (DAN)是在NBOW model的基礎上，經過增長多個隱藏層，增長網絡的深度(Deep)。下圖爲帶有兩層隱藏層的DAN與RecNN模型的對比。

6.1.4 Word Dropout Improves Robustness

針對DAN模型，論文提出一種word dropout策略：在求平均詞向量前，隨機使得文本中的某些單詞(token)失效。形式化表示以下：

Word Dropout可能會使得某些很是重要的token失效。然而，使用word dropout每每確實有提高，這多是由於，一些對標籤預測起到關鍵性做用的word數量每每小於可有可無的word數量。例如，對於情感分析任務，中立(neutral)的單詞每每是最多的。

Word dropout 一樣能夠用於其餘基於神經網絡的方法。

Word Dropout或許起到了相似數據加強(Data Augmentation)的做用?

6.2 fastText

論文Bag of Tricks for Efficient Text Classification提出一個快速進行文本分類的模型和一些trick。

6.2.1 fastText模型架構

fastText模型直接對全部進行embedded的特徵取均值，做爲文本的特徵表示，以下圖。

6.2.2 特色

當類別數量較大時，使用Hierachical Softmax

將N-gram融入特徵中，而且使用Hashing trick[Weinberger et al.2009]提升效率

7 最新研究

根據github repo: state-of-the-art-result-for-machine-learning-problems ，下面兩篇論文提出的模型能夠在文本分類取得最優的結果(讓AI當法官比賽第一名使用了論文Learning Structured Text Representations中的模型)：

Learning Structured Text Representations

Attentive Convolution

論文Multi-Task Label Embedding for Text Classification 認爲標籤與標籤之間有可能有聯繫，因此不是像以前的深度學習模型把標籤當作one-hot vector，而是對每一個標籤進行embedding學習，以提升文本分類的精度。

References

[1] Le and Mikolov - 2014 - Distributed representations of sentences and documents

[2] Kim - 2014 - Convolutional neural networks for sentence classification

[3] Zhang and Wallace - 2015 - A Sensitivity Analysis of (and Practitioners' Guide to) Convolutional Neural Networks for Sentence Classification

[4] Zhang et al. - 2015 - Character-level convolutional networks for text classification

[5] Lai et al. - 2015 - Recurrent Convolutional Neural Networks for Text Classification

[6] Iyyer et al. - 2015 - Deep unordered composition rivals syntactic methods for Text Classification

[7] Joulin et al. - 2016 - Bag of tricks for efficient text classification

[8] Liu and Lapata - 2017 - Learning Structured Text Representations

[9] Yin and Schütze - 2017 - Attentive Convolution

[10] Zhang et al. - 2017 - Multi-Task Label Embedding for Text Classification