? 作者：韓信子@ShowMeAI
? 深度學習實戰系列：https://www.showmeai.tech/tutorials/42
? TensorFlow 實戰系列：https://www.showmeai.tech/tutorials/43
? 本文地址：https://www.showmeai.tech/article-detail/332
? 宣告：版權所有，轉載請聯絡平臺與作者並註明出處
? 收藏ShowMeAI檢視更多精彩內容
對於很多企業而言，電子郵件仍然是主要溝通渠道之一，很多正式的內容也要基於郵件傳達，供應商、合作伙伴和公共管理部門也每天會有大量的電子郵件。郵件的資訊提取和處理可能是一項耗時且重複的任務，對擁有大量客戶的企業而言尤其是這樣。
? 場景 & 背景
有一些場景下，如果我們能借助於AI自動做一些內容和附件等識別，可以極大提高效率，例如以下這些場景：
- 保險公司的客戶索賠管理。
- 電信和公用事業企業客戶投訴處理。
- 銀行處理各種與抵押貸款相關的請求。
- 旅遊行業公司的預訂相關電子郵件。
如果我們希望儘量智慧與自動化地進行電子郵件處理，我們需要完成以下任務：
- 電子郵件分流。我們希望智慧理解郵件，並將其轉到相應的專門業務部門進行處理。在AI的視角我們可以透過電子郵件的意圖分類來嘗試解決這個問題。
- 資訊提取。根據確定的意圖，提取一些資訊給到下游流程，例如在CRM系統中記錄客戶案例進行跟蹤。
在本篇文章中，ShowMeAI 將專注於意圖檢測部分，我們將一起看一看如何設計一個AI系統來解決這個任務。
? 場景 1
假設一家保險公司客戶，想申請理賠與報銷。 這個場景下他會填寫保險報銷表，並將其連同藥物收據和銀行 ID 檔案附在電子郵件中。可能的一個電子郵件可能長這樣：
? 場景 2
假設一家銀行的客戶，搬家並對之前的某項服務費有疑問。 如果選擇傳送電子郵件來進行申請和處理，郵件可能長這樣：
? 實現方案
本文會涉及到NLP相關知識，有興趣更系統全面了NLP知識的寶寶，建議閱讀ShowMeAI 整理的自然語言處理相關教程和文章
?深度學習教程：吳恩達專項課程 · 全套筆記解讀
?深度學習教程 | 自然語言處理與詞嵌入
?NLP教程 | 史丹佛CS224n · 課程帶學與全套筆記解讀
?NLP教程(1) - 詞向量、SVD分解與Word2Vec
?NLP教程(2) - GloVe及詞向量的訓練與評估
? 架構初覽
我們前面提到了，在意圖識別場景中，我們經常會視作『多分類問題』來處理，但在我們當前場景下，有可能郵件覆蓋多個意圖目的，或者本身意圖之間有重疊，因此我們先將其視為多標籤分類問題。
然而，在許多現實生活場景中，多標籤分類系統可能會遇到一些問題：
-
電子郵件在大多數情況下是關於一個主要意圖，有時它們具有次要意圖，在極少數情況下還有第三個意圖。
-
很難找到涵蓋所有多標籤組合的標籤資料。
我們可以試著構建一個融合方案來解決，可以預測主要意圖並檢測剩餘的次要意圖和第三意圖，我們可以設計多輸出神經網路網路來實現這一點，如下圖所示。
我們涉及到2類輸入：電子郵件正文 和 附件，在深度學習場景下，我們都需要對它們做向量化標準。如下圖的架構是一個可行的嘗試方案：我們用transformer類的模型對正文進行編碼和向量化標註，而對於附件，可以用相對簡單的NLP編碼器，比如TF-IDF。
? 實現細節
① 電子郵件正文：AI理解&處理
整個方案中最重要的輸入是正文資料，我們在深度學習中，需要把非結構化的資料表徵為向量化形式，方便模型進行資訊融合和建模，在自然語言處理NLP領域，我們也有一些典型的向量化嵌入技術可以進行對文字處理。
最『簡單』的處理方法之一是使用 ?TF-iDF + ?PCA。
對於文字（詞與句）嵌入更現代一些的 NLP 方法，例如 Word2Vec 和 ?Doc2Vec ，它們分別使用淺層神經網路來學習單詞和文字嵌入。大家可以使用 gensim 工具庫或者 fasttext 工具庫完成文字嵌入，也有很多預訓練的詞嵌入和文字嵌入的模型可以使用。
關於 TF-IDF 和 DocVec 的詳細知識，可以檢視ShowMeAI 的文章 ?基於NLP文件嵌入技術的基礎文字搜尋引擎構建。
現在最先進的技術是基於 transformer 的預訓練語言模型（例如 ?BERT）來構建『上下文感知』文字嵌入。我們上面的方案中也是使用最先進的深度學習方法——直接使用 ?HuggingFace的 ?預訓練模型 和 ?API 來構建正文文字嵌入。
transformer 系列的模型有很多隱層，我們可以有很多方式獲取文字的向量化表徵，比如對最後的隱層做『平均池化』獲得文字嵌入，我們也可以用倒數第二層或倒數第三層（它們在理論上較少依賴於訓練語言模型的文字語料庫）。
對文字做嵌入表示的示例程式碼如下：
# 大家可以先命令列執行下列程式碼安裝sentence-transformers
# pip install -U sentence-transformers
from sentence_transformers import SentenceTransformer
# 需要編碼的文字內容列表
sentences = ["This is example sentence 1", "This is example sentence 2"]
# 編碼，文字向量化嵌入表徵
model = SentenceTransformer('sentence-transformers/all-MiniLM-L6-v2')
embeddings = model.encode(sentences)
print(embeddings)
② 電子郵件附件：AI理解&處理
我們在這個解決方案中，單獨把郵件附件拿出來做處理了。在有些處理方式中，會把附件的內容和正文直接拼接，用上面介紹的方式進行編碼，但這樣處理不夠精細，可能有如下問題而導致最後模型效果不佳：
-
附件文字可能非常大，包含許多多餘的內容，這些內容可能會淹沒電子郵件正文中更重要的微妙細節。
-
對於意圖檢測而言，重要的是文件的性質或型別，而不是詳細的內容。
基於上述考慮，我們單獨訓練附件分類器來生成附件的密集向量表示。可能我們的附件包含不規則的 PDF 或者圖片，我們可能要考慮用 OCR 引擎（例如 Tesseract）進行識別和提取部分內容，
假設我們的附件數量為N，DC 是經過訓練的附件分類器。DC對每個附件預測處理輸出一個向量（文件型別分佈機率向量）。 由於最終的附件向量表示需要具有固定長度（但是N是不確定的），我們在附件維度上使用最大池化得到統一長度的表徵。
以下是為給定電子郵件生成附件向量化表徵的程式碼示例：
# DC是文件分類器
distributions = []
for attachment in attachments:
current_distribution = DC(attachent)
distributions.append(current_distribution)
np_distributions = np.array(distributions) #維度為(X,N)的附件向量組
attachments_feat_vec = np.max(np_distributions, axis=0) #最大池化
③ 搭建多資料來源混合網路
下面部分使用到了TensorFlow工具庫，ShowMeAI 製作了快捷即查即用的工具速查表手冊，大家可以在下述位置獲取：
在上述核心輸入處理和表徵後，我們就可以使用 Tensorflow 構建一個多分支神經網路了。參考程式碼如下：
def build_hybrid_mo_model(bert_input_size, att_features_size, nb_classes):
emb_input = tf.keras.Input(shape=(bert_input_size,), name="text_embeddings_input")
att_classif_input = tf.keras.Input(shape=(att_features_size,), name="attachments_repr_input")
DenseEmb1 = tf.keras.layers.Dense(units=256, activation='relu')(emb_input)
compressed_embs = tf.keras.layers.Dense(units=32, activation='relu', name="compression_layer")(DenseEmb1)
combined_features = tf.keras.layers.concatenate([compressed_embs,att_classif_input], axis=1)
Dense1= tf.keras.layers.Dense(units=128)(combined_features)
Dense2= tf.keras.layers.Dense(units=128)(Dense1)
out1 = tf.keras.layers.Dense(units=nb_classes, name="intention_category_output")(Dense2)
out2 = tf.keras.layers.Dense(units=1, name="information_request_output")(Dense2)
model = tf.keras.Model(inputs=[emb_input,att_classif_input], outputs=[out1, out2])
losses = {
"intention_category_output" : tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
"information_request_output" : tf.keras.losses.BinaryCrossentropy(from_logits=True)}
model.compile(optimizer="adam",loss= losses, metrics=["accuracy"])
print (model.summary())
return model
構建完模型之後，可以透過tf.keras.utils.plot_model列印出模型架構，如下圖所示：
上圖的模型架構，和我們在『架構初覽』板塊的設計完全一致，它包含更多的細節資訊：
- 電子郵件正文文字嵌入，維度為768維
- 附件檔案包含8種型別，向量化表徵為8維
模型的輸出部分包含：
- 7個主要意圖
- 1個次要意圖
④ 訓練&評估
作為測試，作者在銀行業務相關電子郵件的專有資料集上訓練了模型，具體情況如下：
- 資料集由 1100 封電子郵件組成，包含 7 個主要意圖，但分佈不均。
- 構建的神經網路包含 22.7w 個引數（ 具體細節如上圖，大家也可以透過model.summary()輸出模型資訊）。
- 以batch size大小為32訓練了 50 個 epoch
- 實際沒有使用到GPU，在16核的CPU上做的訓練（但大家使用GPU一定有更快的速度）
- 主要意圖分類任務上達到了 87% 的加權 F1 分數平均值。如果不使用附件，加權 F1 分數平均值降低10%。（可見2部分資訊都非常重要）
? 總結
我們透過對電子郵件自動意圖識別和歸類場景進行分析和處理，構建了有效的混合網路高效地完成了這個任務。這裡面非常值得思考的點，是不同型別的資料輸入與預處理，合適的技術選型（並非越複雜越好），充分又恰當的輸入資訊融合方式。
大家在類似的場景問題下，還可以嘗試不同的正文預處理和附件分類模型，觀察效果變化。其餘的一些改進點包括，對於預估不那麼肯定（機率偏低）的郵件樣本，推送人工稽核分類，會有更好的效果。
參考資料
- ? AI實戰 | 基於NLP文件嵌入技術的基礎文字搜尋引擎構建：https://showmeai.tech/article-detail/321
- ? TensorFlow 速查手冊：https://www.showmeai.tech/article-detail/109
- ? 深度學習教程：吳恩達專項課程 · 全套筆記解讀：https://www.showmeai.tech/tutorials/35
- ? 深度學習教程 | 自然語言處理與詞嵌入：https://www.showmeai.tech/article-detail/226
- ? NLP教程 | 史丹佛CS224n · 課程帶學與全套筆記解讀：https://www.showmeai.tech/tutorials/36
- ? NLP教程(1) - 詞向量、SVD分解與Word2Vec：https://www.showmeai.tech/article-detail/230
- ? NLP教程(2) - GloVe及詞向量的訓練與評估：https://www.showmeai.tech/article-detail/232
- ? TF-iDF：https://scikit-learn.org/stable/modules/generated/sklearn.feature_extraction.text.TfidfVectorizer.html
- ? PCA：https://scikit-learn.org/stable/modules/generated/sklearn.decomposition.PCA.html
- ? Doc2Vec：https://radimrehurek.com/gensim/models/doc2vec.html
- ? BERT：[https://huggingface.co/docs/transformers/model_doc/bert](https://huggingface.co/docs/transformers/model_doc/bert）
- ? HuggingFace：https://huggingface.co/