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等問題，這對分類器來說是災難性的，並且使得訓練的模型泛化能力有限。因此，往往需要採取一些策略進行降維：
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
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)
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：
下圖為上述過程的一個圖解:
5.2 RCNN相關總結
NN vs. traditional methods: 在該論文的所有實驗資料集上，神經網路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迴神經網路的方法要好
RCNN vs. CFG and C&J: The RCNN可以捕獲更長的模式(patterns)
RCNN vs. CNN: 在該論文的所有實驗資料集上，RCNN比CNN更好
CNNs使用固定的詞視窗(window of words), 實驗結果受視窗大小影響
RCNNs使用迴圈結構捕獲廣泛的上下文資訊
6 一定要CNN/RNN嗎
上述的深度學習方法通過引入CNN或RNN進行特徵提取，可以達到比較好的效果，但是也存在一些問題，如引數較多導致訓練時間過長，超引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字分類，並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)應用在文字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)。該模型直接將文字中所有詞向量的平均值作為文字的表示，然後輸入到softmax 層，形式化表示如下：
6.1.2 Considering Syntax for Composition
一些考慮語法的方法：
Recursive neural networks (RecNNs)
可以考慮一些複雜的語言學現象，如否定、轉折等 (優點)
實現效果依賴輸入序列（文字）的句法樹（可能不適合長文字和不太規範的文字）
需要更多的訓練時間
Using a convolutional network instead of a RecNN
時間複雜度同樣比較大，甚至更大（通過實驗結果得出的結論，這取決於filter大小、個數等超引數的設定）
6.1.3 Deep Averaging Networks
Deep Averaging Networks (DAN)是在NBOW model的基礎上，通過增加多個隱藏層，增加網路的深度(Deep)。下圖為帶有兩層隱藏層的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，隨機使得文字中的某些單詞(token)失效。形式化表示如下：
Word Dropout可能會使得某些非常重要的token失效。然而，使用word dropout往往確實有提升，這可能是因為，一些對標籤預測起到關鍵性作用的word數量往往小於無關緊要的word數量。例如，對於情感分析任務，中立(neutral)的單詞往往是最多的。
Word dropout 同樣可以用於其他基於神經網路的方法。
Word Dropout或許起到了類似資料增強(Data Augmentation)的作用?
6.2 fastText
論文Bag of Tricks for Efficient Text Classification提出一個快速進行文字分類的模型和一些trick。
6.2.1 fastText模型架構
fastText模型直接對所有進行embedded的特徵取均值，作為文字的特徵表示，如下圖。
6.2.2 特點
當類別數量較大時，使用Hierachical Softmax
將N-gram融入特徵中，並且使用Hashing trick[Weinberger et al.2009]提高效率
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可以在文字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 認為標籤與標籤之間有可能有聯絡，所以不是像之前的深度學習模型把標籤看成one-hot vector，而是對每個標籤進行embedding學習，以提高文字分類的精度。
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