最近有很多小伙伴想了解深度學(xué)習(xí)在文本分類的發(fā)展，因此，筆者整理最近幾年比較經(jīng)典的深度文本分類方法，希望幫助小伙伴們了解深度學(xué)習(xí)在文本分類中的應(yīng)用。筆者整理了近些年的相關(guān)深度文本分類論文。
Kim在EMNLP2014提出的TextCNN方法，在多個數(shù)據(jù)集上取得了很好的效果。由于其計算速度快以及可并行性，在產(chǎn)業(yè)界得到了廣泛使用。TextCNN的模型示意圖如下圖所示。
TextCNN模型首先將文本映射成向量，然后利用多個濾波器來捕捉文本的局部語義信息，接著使用最大池化，捕捉最重要的特征。最近將這些特征輸入到全連接層，得到標(biāo)簽的概率分布。
代碼參考：
1) https://github.com/alexander-rakhlin/CNN-for-Sentence-Classification-in-Keras
2) https://github.com/brightmart/text_classification
圖1：TextCNN模型架構(gòu)
Tang等人提出了一種利用GRU對文檔進(jìn)行建模的情感分類模型。模型如下圖所示。
該模型首先將文本映射為向量，然后利用CNN/LSTM（論文中使用3個濾波器的CNN）進(jìn)行句子表示。另外，為了捕獲句子的全局語義表征，將其輸送給平均池化層，再接入tanh激活函數(shù)。最后將整個句子的不同寬度卷積核的向量表示接入一個Average層，從而得到句子平均向量表示。
然后將得到的句子表示，輸入到GRU中，得到文檔向量表示。最后將文檔向量輸送給softmax層，得到標(biāo)簽的概率分布。
圖2：文檔級別情感分類的神經(jīng)網(wǎng)絡(luò)模型
Lai等人提出了一種無人工特征的循環(huán)卷積神經(jīng)網(wǎng)絡(luò)分類方法，簡稱RCNN。
RCNN首先利用Bi-RNN來捕捉前后的上下文表征，然后將其concat起來，接著使用濾波器filter_size=1的卷積層，并使用最大池化操作得到與文檔最相關(guān)的向量表征，最后將這些向量輸入到softmax層，得到標(biāo)簽的概率表征。
代碼參考：
1) https://github.com/roomylee/rcnn-text-classification
2) https://github.com/brightmart/text_classification
圖3： RCNN的模型結(jié)構(gòu)示意圖
Liu等人針對文本多分類任務(wù)，提出了基于RNN的三種不同的共享信息機(jī)制對具有特定任務(wù)和文本進(jìn)行建模。
模型1(Uniform-Layer Architecture):所有任務(wù)共享同一個LSTM層，并在每個特定任務(wù)后面拼接一個隨機(jī)生成可訓(xùn)練的向量。LSTM層的最后一個時刻的隱藏層作為輸入傳入到softmax層。
模型2(Coupled-Layer Architecture): 每個任務(wù)具有自己獨立的LSTM層，但是每一時刻所有任務(wù)的hidden state則會和下一時刻的character一起作為輸入，最后一個時刻的hidden state進(jìn)行分類。
模型3(Shared-Layer Architecture):除了一個共享的BI-LSTM層用于獲取共享信息，每個任務(wù)有自己獨立的LSTM層，LSTM的輸入包括每一時刻的character和BI-LSTM的hidden state。
圖4：三種架構(gòu)進(jìn)行多任務(wù)學(xué)習(xí)建模
Yang等人提出了一種用于文檔分類的層次注意力機(jī)制網(wǎng)絡(luò)，簡稱HAN。這篇文章和Tang等人都是針對于文檔分類的問題，然而，這篇文章在句子級別以及文檔級別提出了注意力機(jī)制，使得模型在構(gòu)建文檔時是能夠賦予重要內(nèi)容不同的權(quán)重，同時，也可以緩解RNN在捕捉文檔的序列信息產(chǎn)生的梯度消失問題。HAN模型的模型示意圖如下所示。
HAN模型首先利用Bi-GRU捕捉單詞級別的上下文信息。由于句子中的每個單詞對于句子表示并不是同等的貢獻(xiàn)，因此，作者引入注意力機(jī)制來提取對句子表示有重要意義的詞匯，并將這些信息詞匯的表征聚合起來形成句子向量。具體的注意力機(jī)制的原理可以參考：
FEED-FORWARD NETWORKS WITH ATTENTION CAN SOLVE SOME LONG-TERM MEMORY PROBLEMS
然后，對于所有的句子向量輸入到Bi-GRU中，捕捉句子級別的上下文信息，得到文檔向量。同樣地，為了獎勵對文檔進(jìn)行正確分類的線索句，作者再次使用注意力機(jī)制，來衡量句子的重要性，得到文檔向量。最后將文檔向量均輸入到softmax層，得到標(biāo)簽的概率分布。
代碼參考：
1) https://github.com/richliao/textClassifier
2) https://github.com/brightmart/text_classification
圖3： HAN模型結(jié)構(gòu)示意圖
Joulin等人提出了一種簡單而又有效的文本分類模型，簡稱fastText。
fastText模型輸入一個詞序列（一段文本或者一句話），序列中的詞與詞組成特征向量，然后特征向量通過線性變換映射到中間層，中間層再映射到標(biāo)簽。輸出這個詞序列屬于不同類別的概率。其中fastText在預(yù)測標(biāo)簽是使用了非線性激活函數(shù)，但在中間層不使用非線性激活函數(shù)。
代碼參考：
1) https://github.com/facebookresearch/fastText
2) https://radimrehurek.com/gensim/models/fasttext.html
圖4：fastText模型結(jié)構(gòu)示意圖
Johnson 和Zhang 提出了一種單詞級別的深層CNN模型，來捕捉文本的全局語義表征，該模型在不增加太多的計算開銷的情況下，通過增加網(wǎng)絡(luò)深度可以獲得最佳的性能，簡稱DPCNN。模型結(jié)構(gòu)示意圖如下所示。
DPCNN模型首先利用“text region embedding”，將常用的word embedding 推廣到包含一個或多個單詞的文本區(qū)域的embedding，類似于增加一層卷積神經(jīng)網(wǎng)絡(luò)。
然后是卷積快的疊加（兩個卷積層和一個shortcut連接，其中shortcut連接類似于殘差連接），與步長為2的最大池化層進(jìn)行下采樣。最后使用一個最大池化層，得到每個文檔的文檔向量。
代碼參考：
https://github.com/Cheneng/DPCNN
圖4：DPCNN模型結(jié)構(gòu)示意圖
Felbo等人使用數(shù)以百萬計的表情符號來學(xué)習(xí)任何領(lǐng)域的表情符號來檢測情緒、情緒和諷刺，提出了DeepMoji模型，并取得了具有競爭性的效果。同時，DeepMoji模型在文本分類任務(wù)上也可以取得不錯的結(jié)果。
DeepMoji模型首先使用embedding層將單詞映射成向量，并將每個embedding維度使用雙正切函數(shù)映射到[-1,1]。然后，作者使用兩層的Bi-LSTM捕捉上下文特征。接著作者提出了一種新的注意力機(jī)制，分別將embeddding層以及2層的Bi-LSTM作為輸入，得到文檔的向量表征。最后，將向量輸入到softmax層，得到標(biāo)簽的概率分布。
代碼參考：
https://github.com/bfelbo/DeepMoji
圖5：DeepMoji模型結(jié)構(gòu)示意圖
Zhao等人提出了一種基于膠囊網(wǎng)絡(luò)的文本分類模型，并改進(jìn)了Sabour等人提出的動態(tài)路由，提出了三種穩(wěn)定動態(tài)路由。模型如下所示：
該模型首先利用標(biāo)準(zhǔn)的卷積網(wǎng)絡(luò)，通過多個卷積濾波器提取句子的局部語義表征。然后將CNN的標(biāo)量輸出替換為向量輸出膠囊，從而構(gòu)建Primary Capsule層。接著輸入到作者提出的改進(jìn)的動態(tài)路由（共享機(jī)制的動態(tài)路由和非共享機(jī)制的動態(tài)路由），得到卷積膠囊層。最后將卷積膠囊層的膠囊壓平，送入到全連接膠囊層，每個膠囊表示屬于每個類別的概率。
代碼參考：
https://github.com/andyweizhao/capsule_text_classification
圖6：文本分類的膠囊網(wǎng)絡(luò)體系結(jié)構(gòu)
Wang等人提出了一種用于情感分類的RNN膠囊網(wǎng)絡(luò)模型，簡稱RNN-Capsule。(這篇文章在可視化方面做的還是不錯的)模型結(jié)構(gòu)示意圖如下所示。
RNN-Capsule首先使用RNN捕捉文本上下文信息，然后將其輸入到capsule結(jié)構(gòu)中，該capsule結(jié)構(gòu)一共由三部分組成：representation module, probability module，和reconstruction module。具體地，首先用注意力機(jī)制計算capsule 表征；然后用capsule表征計算capsule狀態(tài)的概率；最后用capsule表征以及capsule狀態(tài)概率重構(gòu)實例的表征。
圖7： RNN-Capsule模型結(jié)構(gòu)示意圖
Yao等人提出了一種基于graph convolutional networks(GCN)進(jìn)行文本分類。作者構(gòu)建了一個包含word節(jié)點和document節(jié)點的大型異構(gòu)文本圖，顯式地對全局word利用co-occurrence信息進(jìn)行建模，然后將文本分類問題看作是node分類問題。
代碼參考：
https://github.com/yao8839836/text_gcn
圖7：Text GCN的模型結(jié)構(gòu)
Google提出的BERT模型，突破了靜態(tài)詞向量無法解決一詞多義的問題。BERT是基于語言模型的動態(tài)詞向量，在自然語言處理的多項任務(wù)中取得了最優(yōu)秀的結(jié)果。筆者對BERT模型進(jìn)行微調(diào)，在文本分類的多個領(lǐng)域，諸如法律、情感等，取得了非常有競爭性的性能。
BERT的模型架構(gòu)是一個多層的雙向Transformer編碼器(Transformer的原理及細(xì)節(jié)可以參考 Attention is all you need)。作者采用兩套參數(shù)分別生成BERTBASE模型和BERTLARGE模型(細(xì)節(jié)描述可以參考原論文)，所有下游任務(wù)可以在這兩套模型進(jìn)行微調(diào)。
代碼參考：
https://github.com/google-research/bert
圖8：BERT的Pre-training結(jié)構(gòu)和Fine-Tuning結(jié)構(gòu)
（*本文為 AI科技大本營轉(zhuǎn)載文章，轉(zhuǎn)載請聯(lián)系原作者）
◆
聯(lián)系客服
