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)，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)。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。欢迎转载，请保留本文链接：http://www.cnblogs.com/llhthinker/p/8127788.html

1. 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 更多应用： 让AI当法官: 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: 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，... 多分类: Micro-Averaged-F1， Macro-Averaged-F1, ... 多标签分类：Jaccard相似系数, ... 2. 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。

3. CNN用于文本分类

论文Convolutional Neural Networks for Sentence Classification提出了使用CNN进行句子分类的方法。

3.1 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\(x_{1:n}\)为\(n*k\)的矩阵，可以形式化如下：
\[X_{1:n}=x_1\oplus x_2\oplus \dots \oplus x_n\] 一个包含\(h\)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：
\[c_i=f(W \cdot X_{i:i+h-1}+b)\]其中，\(b\in\Re\)是bias值，\(f\)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)：
\[c= [c_1, c_2, \dots , c_{n-h+1}]\] 池化操作：对一个filter提取到的feature map进行max pooling，得到\(\hat{c}\in\Re\)即：
\[\hat{c}=max(c)\] 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\(z\in\Re^m\):
\[z = [\hat{c}_1, \hat{c}_2, \dots, \hat{c}_m]\] 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):
\[y=W \cdot z+b\] 3.2 优化CNN模型 3.2.1 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\(n=9\)，词向量维度\(k=6\)，filter有两种窗口大小（或者说kernel size），每种有2个，因此filter总个数\(m=4\)，其中: 一种的窗口大小\(h=2\)（红色框），卷积后的向量维度为\(n-h+1=8\)

另一种窗口大小\(h=3\)（黄色框），卷积后的向量维度为\(n-h+1=7\)
(论文原图中少画了一个维度，感谢@shoufengwei指正)

3.2.2 正则化 Dropout: 对全连接层的输入\(z\)向量进行dropout
\[y=W \cdot (z \circ r)+b\]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\(\lVert W \rVert_2 > s\)时, 令\(\lVert W \rVert_2 = s\)，其中\(s\)为超参数。 3.3 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\(a\)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。 3.4 进一步思考CNN 3.4.1 为什么CNN能够用于文本分类（NLP）？ 为什么CNN能够用于文本分类（NLP）？ filter相当于N-gram ？ 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 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； 在实践中，100到600是一个比较合理的搜索空间。 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。 3.5 字符级别的CNN用于文本分类

论文Character-level convolutional networks for text classification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。

3.5.1 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): Large: \(l_6 * 1024\) Small: \(l_6 * 256\) 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。
3.5.2 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 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)？ 中文中的同音词非常多，如何克服？ 论文Character-level Convolutional Network for Text Classification Applied to Chinese Corpus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 3.5.3 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\(r\)个进行替换，其中\(r\)由一个参数为\(p\)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\(s\)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(\(s\)较大)的同义词被选的概率更小。 论文实验设置: \(p=0.5, q=0.5\)。 4. 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 5. RCNN（RNN+CNN）用于文本分类

论文Recurrent Convolutional Neural Networks for Text Classification设计了一种RNN和CNN结合的模型用于文本分类。

5.1 RCNN模型推导 5.1.1 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\(c_l(w_i)\)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:
\[ \begin{align} c_l(w_i) = f(W^{(l)}c_l(w_{i-1})+W^{(sl)}e(w_{i-1})) ; \\ c_r(w_i) = f(W^{(r)}c_r(w_{i-1})+W^{(sr)}e(w_{i-1})) ; \\ x_i = [c_l(w_i);e(w_i);c_r(w_i)] ; \\ \end{align} \]
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) $y^{(2)}_i=tanh(W^{(2)}x_i+b^{(2)}) $
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。

5.1 2 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: \(y^{(3)}=\max \limits_{i=1}^{n} y^{(2)}_i\) Fully connected layer: \(y^{(4)}=W^{(4)}y^{(3)}+b^{(4)}\) Softmax layer: \(p_i=\frac{\exp(y^{(4)}_i)}{\sum_{k=1}^n \exp(y^{(4)}_k)}\)
下图为上述过程的一个图解:

5.2 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 6. 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。

6.1 深层无序组合方法

论文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。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。

6.1.1 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：

Word embedding average : \(z=g(w \in X)=\frac{1}{X} \sum\limits_{w \in X} v_w\) Softmax Layer: \(\hat{y} = softmax(W_s \cdot z + b)\) Loss function: cross-entropy error, $\iota(\hat{y}) =\sum\limits_{p=1}^{k}y_p\log(\hat{y_p}) $ 6.1.2 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） 6.1.3 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。

6.1.4 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：

\[ \begin{align} r_w \sim Bernoulli(p) ; \\ \hat{X} = \{w|w \in X and r_w > 0\} ; \\ z = g(w \in X ) = \frac{\sum_{w \in \hat{X}}v_w}{|\hat{X}|} ; \\ \end{align} \]

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? 6.2 fastText

论文Bag of Tricks for Efficient Text Classification提出一个快速进行文本分类的模型和一些trick。

6.2.1 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。

6.2.2 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]提高效率 7. 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