乾貨 | 深度學習在文字分類中的應用
作者:llhthinker
個人部落格:http://www.cnblogs.com/llhthinker/
1 文字分類任務介紹
文字分類是自然語言處理的一個基本任務,試圖推斷出給定的文字(句子、文件等)的標籤或標籤集合。
文字分類的應用非常廣泛。如:
-
垃圾郵件分類:二分類問題,判斷郵件是否為垃圾郵件
-
情感分析
-
二分類問題,判斷文字情感是積極(positive)還是消極(negative)
-
多分類問題,判斷文字情感屬於{非常消極,消極,中立,積極,非常積極}中的哪一類
-
新聞主題分類:判斷新聞屬於哪個類別,如財經、體育、娛樂等
-
自動問答系統中的問句分類
-
社群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字的罰金等級分類(多分類)和法條分類(多標籤分類)。
-
判斷新聞是否為機器人所寫: 二分類
-
......
不同型別的文字分類往往有不同的評價指標,具體如下:
-
二分類:accuracy,precision,recall,f1-score,...
-
多分類: Micro-Averaged-F1, Macro-Averaged-F1, ...
-
多標籤分類:Jaccard相似係數, ...
2 傳統機器學習方法
傳統的機器學習方法主要利用自然語言處理中的n-gram概念對文字進行特徵提取,並且使用TFIDF對n-gram特徵權重進行調整,然後將提取到的文字特徵輸入到Logistics迴歸、SVM等分類器中進行訓練。但是,上述的特徵提取方法存在資料稀疏和維度爆炸
-
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作為文字特徵與上文提取的特徵進行融合,常常可以提高模型精度。
3 CNN用於文字分類
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,如果一個句子有n個詞,且第i個詞表示為xi,詞xi通過embedding後表示為k維的向量,即xi∈ℜk,則一個句子x1:n為n∗k的矩陣,可以形式化如下:
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,在訓練過程中固定 (CNN-static)
-
預訓練詞向量進行初始化,在訓練過程中進行微調 (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當作一個通道(channel),卷積操作同時在這兩個通道上進行,可以類比於影象RGB三通道。
-
上圖為模型架構示例,在示例中,句長n=9,詞向量維度k=6,filter有兩種視窗大小(或者說kernel size),每種有2個,因此filter總個數m=4,其中:
-
一種的視窗大小h=2(紅色框),卷積後的向量維度為n−h+1=8
-
另一種視窗大小h=3(黃色框),卷積後的向量維度為n−h+1=7
-
Dropout: 對全連線層的輸入z向量進行dropout
y=W⋅(z∘r)+b
其中r∈ℜm為masking向量(每個維度值非0即1,可以通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向量值為0的位置對應的z向量中的元素值失效(梯度無法更新)。
L2-norms: 對L2正則化項增加限制:當正則項‖W‖2>s時, 令‖W‖2=s,其中s為超引數。
3.3 一些結論
-
Multichannel vs. Single Channel Models: 雖然作者一開始認為多通道可以預防過擬合,從而應該表現更高,尤其是在小規模資料集上。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為‘good’和‘bad’類似(可能它們有許多類似的上下文),但是對於情感分析任務,good和bad應該要有明顯的區分,如果使用CNN-static就無法做調整了;
-
Dropout可以提高2%–4%效能(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,並且調整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,可以有微弱提升;
-
可以嘗試其他的詞向量預訓練語料,如Wikipedia[Collobert et al. (2011)]
-
Adadelta(Zeiler, 2012)和Adagrad(Duchi et al., 2011)可以得到相近的結果,但是所需epoch更少。
3.4 進一步思考CNN
3.4.1 為什麼CNN能夠用於文字分類(NLP)?
-
為什麼CNN能夠用於文字分類(NLP)?
-
RNN可以提取全域性特徵
-
RCNN(下文說明): RNN和CNN的結合
-
filter相當於N-gram ?
-
filter只提取區域性特徵?全域性特徵怎麼辦?可以融合嗎?
3.4.2 超引數怎麼調?
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
-
採取微調策略(non-static)的效果比固定詞向量(static)的效果要好
-
無法確定用哪種預訓練詞向量(Google word2vec / GloVe representations)更好,不同的任務結果不同,應該對於你當前的任務進行實驗;
-
filter視窗大小、數量
-
在實踐中,100到600是一個比較合理的搜尋空間。
-
每次使用一種型別的filter進行實驗,表明filter的視窗大小設定在1到10之間是一個比較合理的選擇。
-
首先在一種型別的filter大小上執行搜尋,以找到當前資料集的“最佳”大小,然後探索這個最佳大小附近的多種filter大小的組合。
-
每種視窗型別的filter對應的“最好”的filter個數(feature map數量)取決於具體資料集;
-
但是,可以看出,當feature map數量超過600時,performance提高有限,甚至會損害performance,這可能是過多的feature map數量導致過擬合了;
-
啟用函式 (tanh, relu, ...)
-
Sigmoid, Cube, and tanh cube相較於Relu和Tanh的啟用函式,表現很糟糕;
-
tanh比sigmoid好,這可能是由於tanh具有zero centering property(過原點);
-
與Sigmoid相比,ReLU具有非飽和形式(a non-saturating form)的優點,並能夠加速SGD的收斂。
-
對於某些資料集,線性變換(Iden,即不使用非線性啟用函式)足夠捕獲詞嵌入與輸出標籤之間的相關性。(但是如果有多個隱藏層,相較於非線性啟用函式,Iden就不太適合了,因為完全用線性啟用函式,即使有多個隱藏層,組合後整個模型還是線性的,表達能力可能不足,無法捕獲足夠資訊);
-
因此,建議首先考慮ReLU和tanh,也可以嘗試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往往比其他池化策略要好;
-
這可能是因為上下文的具體位置對於預測Label可能並不是很重要,而句子某個具體的n-gram(1-max pooling後filter提取出來的的特徵)可能更可以刻畫整個句子的某些含義,對於預測label更有意義;
-
(但是在其他任務如釋義識別,k-max pooling可能更好。)
-
正則化
-
0.1到0.5之間的非零dropout rates能夠提高一些performance(儘管提升幅度很小),具體的最佳設定取決於具體資料集;
-
對l2 norm加上一個約束往往不會提高performance(除了Opi資料集);
-
當feature map的數量大於100時,可能導致過擬合,影響performance,而dropout將減輕這種影響;
-
在卷積層上進行dropout幫助很小,而且較大的dropout rate對performance有壞的影響。
3.5 字元級別的CNN用於文字分類
論文Character-level convolutional networks for text classification將文字看成字元級別的序列,使用字元級別(Character-level)的CNN進行文字分類。
3.5.1 字元級CNN的模型設計
首先需要對字元進行數字化(quantization)。具體如下:
-
定義字母表(Alphabet):大小為m (對於英文m=70,如下圖,之後會考慮將大小寫字母都包含在內作為對比)
-
字元數字化(編碼): "one-hot"編碼
-
序列(文字)長度:l0 (定值)
然後論文設計了兩種型別的卷積網路:Large和Small(作為對照實驗)
-
它們都有9層,其中6層為卷積層(convolutional layer);3層為全連線層(fully-connected layer):
-
Dropout的概率都為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)為 l6=(l0−96)/27,推
-
第一層全連線層的輸入維度(其中1024和256為filter個數或者說frame/feature size):
-
Large: l6∗1024
-
Small: l6∗256
-
下圖為模型的一個圖解示例。其中文字長度為10,第一層卷積的kernel size為3(半透明黃色正方形),卷積個數為9(Feature=9),步長為1,因此Length=10-3+1=8,然後進行非重疊的max-pooling(即pooling的stride=size),pooling size為2,因此池化後的Length = 8 / 2 = 4。
3.5.2 字元級CNN的相關總結與思考
-
字元級CNN是一個有效的方法
-
資料集的大小可以為選擇傳統方法還是卷積網路模型提供指導:對於幾百上千等小規模資料集,可以優先考慮傳統方法,對於百萬規模的資料集,字元級CNN開始表現不錯。
-
字元級卷積網路很適用於使用者生成資料(user-generated data)(如拼寫錯誤,表情符號等),
-
沒有免費的午餐(There is no free lunch)
-
中文怎麼辦
-
中文中的同音詞非常多,如何克服?
-
如果把中文中的每個字作為一個字元,那麼字母表將非常大
-
是否可以把中文先轉為拼音(pinyin)?
-
論文Character-level Convolutional Network for Text Classification Applied to Chinese Corpus進行了相關實驗。
-
將字元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 使用同義詞表進行資料增強
對於深度學習模型,採用適當的資料增強(Data Augmentation)技術可以提高模型的泛化能力。資料增強在計算機視覺領域比較常見,例如對影象進行旋轉,適當扭曲,隨機增加噪聲等操作。對於NLP,最理想的資料增強方法是使用人類複述句子(human rephrases of sentences),但是這比較不現實並且對於大規模語料來說代價昂貴。
一個更自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,從而達到資料增強的目的。具體做法如下:
-
英文同義詞典: from the mytheas component used in LibreOffice1 project. http://www.libreoffice.org/
-
從給定的文字中抽取出所有可以替換的詞,然後隨機選擇r個進行替換,其中r由一個引數為pp的幾何分佈(geometric distribution)確定,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個的概率也通過另一個幾何分佈確定,即P[s]∼qs。這樣是為了當前詞的同義詞列表中的距離較遠(s較大)的同義詞被選的概率更小。
-
論文實驗設定:p=0.5,q=0.5。
4 RNN用於文字分類
-
策略1:直接使用RNN的最後一個單元輸出向量作為文字特徵
-
策略2:使用雙向RNN的兩個方向的輸出向量的連線(concatenate)或均值作為文字特徵
-
策略3:將所有RNN單元的輸出向量的均值pooling或者max-pooling作為文字特徵
-
策略4:層次RNN+Attention, Hierarchical Attention Networks
5 RCNN(RNN+CNN)用於文字分類
論文Recurrent Convolutional Neural Networks for Text Classification設計了一種RNN和CNN結合的模型用於文字分類。
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)連線,構成卷積層的輸入xi。具體如下:
然後將xi作為wi的表示,輸入到啟用函式為tanh,kernel size為1的卷積層,得到wi的潛在語義向量(latent semantic vector)
將kernel size設定為1是因為xi中已經包含wi左右上下文的資訊,無需再使用視窗大於1的filter進行特徵提取。但是需要說明的是,在實踐中仍然可以同時使用多種kernel size的filter,如[1, 2, 3],可能取得更好的效果,一種可能的解釋是視窗大於1的filter強化了wi的左右最近的上下文資訊。此外,實踐中可以使用更復雜的RNN來捕獲wi的上下文資訊如LSTM和GRU等。
5.1 2 文字表示學習
經過卷積層後,獲得了所有詞的表示,然後在經過最大池化層和全連線層得到文字的表示,最後通過softmax層進行分類。具體如下: