深度学习在文本分类中的应用

近期阅读了一些深度学习在文本分类中的应用相关论文（论文笔记：http://t.cn/RHea2Rs )，同时也参加了 CCF 大数据与计算智能大赛（BDCI）2017 的一个文本分类问题的比赛：让 AI 当法官，并取得了最终评测第四名的成绩 (比赛的具体思路和代码参见 github 项目 repo：http://t.cn/RHeaczg )。因此，本文总结了文本分类相关的深度学习模型、优化思路以及今后可以进行的一些工作。

文本分类任务介绍

文本分类是自然语言处理的一个基本任务，试图推断出给定的文本（句子、文档等）的标签或标签集合。 文本分类的应用非常广泛。如：

• 垃圾邮件分类：二分类问题，判断邮件是否为垃圾邮件
• 情感分析
  • 二分类问题，判断文本情感是积极 (positive) 还是消极 (negative)
  • 多分类问题，判断文本情感属于 {非常消极，消极，中立，积极，非常积极} 中的哪一类
• 新闻主题分类：判断新闻属于哪个类别，如财经、体育、娱乐等
• 自动问答系统中的问句分类
• 社区问答系统中的问题分类：多标签分类，如知乎看山杯（http://t.cn/RHeSSzM ）
• 更多应用：
  • 让 AI 当法官（http://t.cn/RHeaczg ）: 基于案件事实描述文本的罚金等级分类（多分类）和法条分类（多标签分类）。
  • 判断新闻是否为机器人所写（http://t.cn/RO5u0Ik ）: 二分类
  • ......

不同类型的文本分类往往有不同的评价指标，具体如下：

• 二分类：accuracy，precision，recall，f1-score，（http://t.cn/RqSDNXI ）...
• 多分类: Micro-Averaged-F1， Macro-Averaged-F1, ...
• 多标签分类：Jaccard 相似系数, ...

传统机器学习方法

传统的机器学习方法主要利用自然语言处理中的 n-gram 概念对文本进行特征提取，并且使用 TFIDF 对 n-gram 特征权重进行调整，然后将提取到的文本特征输入到 Logistics 回归、SVM 等分类器中进行训练。但是，上述的特征提取方法存在数据稀疏和维度爆炸等问题，这对分类器来说是灾难性的，并且使得训练的模型泛化能力有限。因此，往往需要采取一些策略进行降维：

• 人工降维：停用词过滤，低频 n-gram 过滤等
• 自动降维：LDA 等

值得指出的是，将深度学习中的 word2vec，doc2vec 作为文本特征与上文提取的特征进行融合，常常可以提高模型精度。

CNN 用于文本分类

论文 Convolutional Neural Networks for Sentence Classification（http://t.cn/RHeoxpT ）提出了使用 CNN 进行句子分类的方法。

CNN 模型推导

• 一个句子是由多个词拼接而成的，如果一个句子有n个词，且第 i 个词表示为x_{i} ，词x_{i} 通过 embedding 后表示为 k 维的向量，即x_{i} \in \Re^k ，则一个句子x_{i:n} 为n∗k的矩阵，可以形式化如下： X1:n=x1⊕x2⊕⋯⊕xn
• 一个包含hh个的词的词窗口表示为：x_{i:i+h-1} \in \Re^{hk}
• 一个 filter 是大小为h∗k的矩阵，表示为:W \in \Re^{hk}
• 通过一个 filter 作用一个词窗口提取可以提取一个特征c_{i} ，如下：c_{i}=f(W \centerdot X_{i:i+h-1}+b)其中，b\in \Re

是 bias 值，ff为激活函数如 Relu 等。

• 卷积操作：通过一个 filter 在整个句子上从句首到句尾扫描一遍，提取每个词窗口的特征，可以得到一个特征图 (feature map)C\in \Re^{n-h+1} ，表示如下 (这里默认不对句子进行 padding)：c=[c1,c2,…,cn−h+1]
• 池化操作：对一个 filter 提取到的 feature map 进行 max pooling，得到\widehat{c} \in \Re 即：\widehat{c}= max(c)
• 若有m个 filter，则通过一层卷积、一层池化后可以得到一个长度为m的向量z\in \Re^m :z=[\widehat{c}_{1},\widehat{c}_{2},...,\widehat{c}_{m}]
• 最后，将向量z输入到全连接层，得到最终的特征提取向量y(这里的W为全连接层的权重，注意与 filter 进行区分):y=W⋅z+b

优化 CNN 模型

词向量

• 随机初始化 （CNN-rand）
• 预训练词向量进行初始化，在训练过程中固定 (CNN-static)
• 预训练词向量进行初始化，在训练过程中进行微调 (CNN-non-static)
• 多通道 (CNN-multichannel): 将固定的预训练词向量和微调的词向量分别当作一个通道 (channel)，卷积操作同时在这两个通道上进行，可以类比于图像 RGB 三通道。

• 上图为模型架构示例，在示例中，句长n=9n=9，词向量维度k=6k=6，filter 有两种窗口大小（或者说 kernel size），每种有 2 个，因此 filter 总个数m=4m=4，其中:
  • 一种的窗口大小h=2h=2（红色框），卷积后的向量维度为n−h+1=8n−h+1=8
  • 另一种窗口大小h=3h=3（黄色框），卷积后的向量维度为n−h+1=7n−h+1=7 (论文原图中少画了一个维度，感谢 @shoufengwei 指正)

正则化

• Dropout: 对全连接层的输入zz向量进行 dropouty=W \cdot(z \cdot r)+b其中r\in \Re^{m}

为 masking 向量（每个维度值非 0 即 1，可以通过伯努利分布随机生成），和向量z进行元素与元素对应相乘，让r向量值为 0 的位置对应的z向量中的元素值失效（梯度无法更新）。

• L2-norms: 对 L2 正则化项增加限制：当正则项||W||_{2}=s 时, 令||W||_{2}=s ，其中s为超参数。

一些结论

• Multichannel vs. Single Channel Models: 虽然作者一开始认为多通道可以预防过拟合，从而应该表现更高，尤其是在小规模数据集上。但事实是，单通道在一些语料上比多通道更好；
• Static vs. Non-static Representations: 在大部分的语料上，CNN-non-static 都优于 CNN-static，一个解释：预训练词向量可能认为‘good’和‘bad’类似（可能它们有许多类似的上下文），但是对于情感分析任务，good 和 bad 应该要有明显的区分，如果使用 CNN-static 就无法做调整了；
• Dropout 可以提高 2%–4% 性能 (performance)；
• 对于不在预训练的 word2vec 中的词，使用均匀分布U[-a,a]

随机初始化，并且调整aa使得随机初始化的词向量和预训练的词向量保持相近的方差，可以有微弱提升；

• 可以尝试其他的词向量预训练语料，如 Wikipedia[Collobert et al. (2011)]
• Adadelta(Zeiler, 2012) 和 Adagrad(Duchi et al., 2011) 可以得到相近的结果，但是所需 epoch 更少。

进一步思考 CNN

为什么 CNN 能够用于文本分类（NLP）？

filter 相当于 N-gram ？（http://t.cn/RoN3rFb ）

filter 只提取局部特征？全局特征怎么办？可以融合吗？

• RNN 可以提取全局特征
• RCNN（下文说明）: RNN 和 CNN 的结合

3.4.2 超参数怎么调？

论文 A Sensitivity Analysis of (and Practitioners' Guide to) Convolutional Neural Networks for Sentence Classification（http://t.cn/RHepR6w ） 提供了一些策略。

• 用什么样的词向量
  • 使用预训练词向量比随机初始化的效果要好
  • 采取微调策略（non-static）的效果比固定词向量（static）的效果要好
  • 无法确定用哪种预训练词向量 (Google word2vec / GloVe representations) 更好，不同的任务结果不同，应该对于你当前的任务进行实验；
• filter 窗口大小、数量
  • 在实践中，100 到 600 是一个比较合理的搜索空间。
  • 每次使用一种类型的 filter 进行实验，表明 filter 的窗口大小设置在 1 到 10 之间是一个比较合理的选择。
  • 首先在一种类型的 filter 大小上执行搜索，以找到当前数据集的 “最佳” 大小，然后探索这个最佳大小附近的多种 filter 大小的组合。
  • 每种窗口类型的 filter 对应的 “最好” 的 filter 个数 (feature map 数量) 取决于具体数据集；
  • 但是，可以看出，当 feature map 数量超过 600 时，performance 提高有限，甚至会损害 performance，这可能是过多的 feature map 数量导致过拟合了；
• 激活函数 (tanh, relu, ...)
  • Sigmoid, Cube, and tanh cube 相较于 Relu 和 Tanh 的激活函数，表现很糟糕；
  • tanh 比 sigmoid 好，这可能是由于 tanh 具有 zero centering property(过原点);
  • 与 Sigmoid 相比，ReLU 具有非饱和形式 (a non-saturating form) 的优点，并能够加速 SGD 的收敛。
  • 对于某些数据集，线性变换 (Iden，即不使用非线性激活函数) 足够捕获词嵌入与输出标签之间的相关性。（但是如果有多个隐藏层，相较于非线性激活函数，Iden 就不太适合了，因为完全用线性激活函数，即使有多个隐藏层，组合后整个模型还是线性的，表达能力可能不足，无法捕获足够信息）；
  • 因此，建议首先考虑 ReLU 和 tanh，也可以尝试 Iden
• 池化策略：最大池化就是最好的吗
  • 对于句子分类任务，1-max pooling 往往比其他池化策略要好；
  • 这可能是因为上下文的具体位置对于预测 Label 可能并不是很重要，而句子某个具体的 n-gram(1-max pooling 后 filter 提取出来的的特征) 可能更可以刻画整个句子的某些含义，对于预测 label 更有意义；
  • (但是在其他任务如释义识别，k-max pooling 可能更好。)
• 正则化
  • 0.1 到 0.5 之间的非零 dropout rates 能够提高一些 performance（尽管提升幅度很小），具体的最佳设置取决于具体数据集；
  • 对 l2 norm 加上一个约束往往不会提高 performance（除了 Opi 数据集）；
  • 当 feature map 的数量大于 100 时，可能导致过拟合，影响 performance，而 dropout 将减轻这种影响；
  • 在卷积层上进行 dropout 帮助很小，而且较大的 dropout rate 对 performance 有坏的影响。

字符级别的 CNN 用于文本分类

论文 Character-level convolutional networks for text classification（http://t.cn/RHe037w ） 将文本看成字符级别的序列，使用字符级别（Character-level）的 CNN 进行文本分类。

字符级 CNN 的模型设计

首先需要对字符进行数字化（quantization）。具体如下：

• 定义字母表 (Alphabet)：大小为m (对于英文 m=70，如下图，之后会考虑将大小写字母都包含在内作为对比)

• 字符数字化（编码）： "one-hot" 编码
• 序列（文本）长度：l_{0}

（定值）

• 然后论文设计了两种类型的卷积网络：Large 和 Small (作为对照实验)
• 它们都有 9 层，其中 6 层为卷积层 (convolutional layer)；3 层为全连接层 (fully-connected layer)：
• Dropout 的概率都为 0.5
• 使用高斯分布 (Gaussian distribution) 对权重进行初始化：
• 最后一层卷积层单个 filter 输出特征长度 (the output frame length)为l_{6}=(l_{0}-96)/27 ，推
• 第一层全连接层的输入维度 (其中 1024 和 256 为 filter 个数或者说 frame/feature size）：

• 下图为模型的一个图解示例。其中文本长度为 10，第一层卷积的 kernel size 为 3（半透明黄色正方形），卷积个数为 9（Feature=9），步长为 1，因此 Length=10-3+1=8，然后进行非重叠的 max-pooling（即 pooling 的 stride=size），pooling size 为 2，因此池化后的 Length = 8 / 2 = 4。

字符级 CNN 的相关总结与思考

• 字符级 CNN 是一个有效的方法
• 数据集的大小可以为选择传统方法还是卷积网络模型提供指导：对于几百上千等小规模数据集，可以优先考虑传统方法，对于百万规模的数据集，字符级 CNN 开始表现不错。
• 字符级卷积网络很适用于用户生成数据 (user-generated data)（如拼写错误，表情符号等），
• 没有免费的午餐 (There is no free lunch)
• 中文怎么办
  • 中文中的同音词非常多，如何克服？
  • 如果把中文中的每个字作为一个字符，那么字母表将非常大
  • 是否可以把中文先转为拼音 (pinyin)？
  • 论文 Character-level Convolutional Network for Text Classification Applied to Chinese Corpus（https://arxiv.org/abs/1611.04358 ）进行了相关实验。
• 将字符级和词级进行结合是否结果更好
  • 英文如何结合
  • 中文如何结合

使用同义词表进行数据增强

对于深度学习模型，采用适当的数据增强 (Data Augmentation) 技术可以提高模型的泛化能力。数据增强在计算机视觉领域比较常见，例如对图像进行旋转，适当扭曲，随机增加噪声等操作。对于 NLP，最理想的数据增强方法是使用人类复述句子（human rephrases of sentences），但是这比较不现实并且对于大规模语料来说代价昂贵。 一个更自然的选择是使用词语或短语的同义词或同义短语进行替换，从而达到数据增强的目的。具体做法如下：

• 英文同义词典: from the mytheas component used in LibreOffice1 project. http://www.libreoffice.org/
• 从给定的文本中抽取出所有可以替换的词，然后随机选择rr个进行替换，其中rr由一个参数为pp的几何分布 (geometric distribution) 确定，即P[r]\sim p^r
• 给定一个待替换的词，其同义词可能有多个（一个列表），选择第ss个的概率也通过另一个几何分布确定，即P[s]\sim q^s

。这样是为了当前词的同义词列表中的距离较远 (ss较大) 的同义词被选的概率更小。

• 论文实验设置:p=0.5,q=0.5。

RNN 用于文本分类

• 策略 1：直接使用 RNN 的最后一个单元输出向量作为文本特征
• 策略 2：使用双向 RNN 的两个方向的输出向量的连接（concatenate）或均值作为文本特征
• 策略 3：将所有 RNN 单元的输出向量的均值 pooling 或者 max-pooling 作为文本特征

• 策略 4：层次 RNN+Attention, Hierarchical Attention Networks（https://www.cs.cmu.edu/~diyiy/docs/naacl16.pdf）

RCNN（RNN+CNN）用于文本分类

论文 Recurrent Convolutional Neural Networks for Text Classification（http://t.cn/RHeTMTZ ） 设计了一种 RNN 和 CNN 结合的模型用于文本分类。

RCNN 模型推导

词表示学习

使用双向 RNN 分别学习当前词w_{i} 的左上下文表示c_{i}(w_{i}) 和右上下文表示c_{r}(w_{i}) ，再与当前词自身的表示e(w_{i}) 连接，构成卷积层的输入x_{i} 。具体如下:

然后将x_{i} 作为w_{i} 的表示，输入到激活函数为 tanh,kernel size 为 1 的卷积层，得到w_{i} 的潜在语义向量 (latent semantic vector)

将 kernel size 设置为 1 是因为x_{i} 中已经包含w_{i} 左右上下文的信息，无需再使用窗口大于 1 的 filter 进行特征提取。但是需要说明的是，在实践中仍然可以同时使用多种 kernel size 的 filter，如 [1, 2, 3]，可能取得更好的效果，一种可能的解释是窗口大于 1 的 filter 强化了w_{i} 的左右最近的上下文信息。此外，实践中可以使用更复杂的 RNN 来捕获w_{i} 的上下文信息如 LSTM 和 GRU 等。

文本表示学习

经过卷积层后，获得了所有词的表示，然后在经过最大池化层和全连接层得到文本的表示，最后通过 softmax 层进行分类。具体如下：

• Max-pooling layer：

• Fully connected layer：

• Softmax layer： 下图为上述过程的一个图解:

RCNN 相关总结

• NN vs. traditional methods: 在该论文的所有实验数据集上，神经网络比传统方法的效果都要好
• Convolution-based vs. RecursiveNN: 基于卷积的方法比基于递归神经网络的方法要好
• RCNN vs. CFG and C&J: The RCNN 可以捕获更长的模式 (patterns)
• RCNN vs. CNN: 在该论文的所有实验数据集上，RCNN 比 CNN 更好
• CNNs 使用固定的词窗口 (window of words), 实验结果受窗口大小影响
• RCNNs 使用循环结构捕获广泛的上下文信息

一定要 CNN/RNN 吗

上述的深度学习方法通过引入 CNN 或 RNN 进行特征提取，可以达到比较好的效果，但是也存在一些问题，如参数较多导致训练时间过长，超参数较多模型调整麻烦等。下面两篇论文提出了一些简单的模型用于文本分类，并且在简单的模型上采用了一些优化策略。

深层无序组合方法

论文 Deep Unordered Composition Rivals Syntactic Methods for Text Classification（http://t.cn/RHeQmNe ） 提出了 NBOW(Neural Bag-of-Words) 模型和 DAN(Deep Averaging Networks) 模型。对比了深层无序组合方法 (Deep Unordered Composition) 和句法方法 (Syntactic Methods) 应用在文本分类任务中的优缺点，强调深层无序组合方法的有效性、效率以及灵活性。

Neural Bag-of-Words Models

论文首先提出了一个最简单的无序模型 Neural Bag-of-Words Models (NBOW model)。该模型直接将文本中所有词向量的平均值作为文本的表示，然后输入到 softmax 层，形式化表示如下：

Considering Syntax for Composition

一些考虑语法的方法：

• Recursive neural networks (RecNNs)
• 可以考虑一些复杂的语言学现象，如否定、转折等 (优点)
• 实现效果依赖输入序列（文本）的句法树（可能不适合长文本和不太规范的文本）
• 需要更多的训练时间
• Using a convolutional network instead of a RecNN
• 时间复杂度同样比较大，甚至更大（通过实验结果得出的结论，这取决于 filter 大小、个数等超参数的设置）

Deep Averaging Networks

Deep Averaging Networks (DAN) 是在 NBOW model 的基础上，通过增加多个隐藏层，增加网络的深度 (Deep)。下图为带有两层隐藏层的 DAN 与 RecNN 模型的对比。

Word Dropout Improves Robustness

• 针对 DAN 模型，论文提出一种 word dropout 策略：在求平均词向量前，随机使得文本中的某些单词 (token) 失效。形式化表示如下：

• Word Dropout 可能会使得某些非常重要的 token 失效。然而，使用 word dropout 往往确实有提升，这可能是因为，一些对标签预测起到关键性作用的 word 数量往往小于无关紧要的 word 数量。例如，对于情感分析任务，中立 (neutral) 的单词往往是最多的。
• Word dropout 同样可以用于其他基于神经网络的方法。
• Word Dropout 或许起到了类似数据增强 (Data Augmentation) 的作用?

fastText

论文 Bag of Tricks for Efficient Text Classification（http://t.cn/RHe8pd5 ） 提出一个快速进行文本分类的模型和一些 trick。

fastText 模型架构

fastText 模型直接对所有进行 embedded 的特征取均值，作为文本的特征表示，如下图。

特点

• 当类别数量较大时，使用 Hierachical Softmax
• 将 N-gram 融入特征中，并且使用 Hashing trick[Weinberger et al.2009，http://t.cn/RHe8dus ] 提高效率

最新研究

• 根据 github repo: state-of-the-art-result-for-machine-learning-problems ，下面两篇论文提出的模型可以在文本分类取得最优的结果 (让 AI 当法官比赛第一名使用了论文 Learning Structured Text Representations 中的模型)：
  • Learning Structured Text Representations
  • Attentive Convolution
• 论文 Multi-Task Label Embedding for Text Classification 认为标签与标签之间有可能有联系，所以不是像之前的深度学习模型把标签看成 one-hot vector，而是对每个标签进行 embedding 学习，以提高文本分类的精度。

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