【NLP】深度学习的NLP文本分类常用模型_nlp分类模型

引言

更多模型介绍基于深度学习的文本分类
模型大致分类如下：

• 词嵌入向量化：word2vec, FastText等等
• 卷积神经网络特征提取：Text-CNN, Char-CNN等等
• 上下文机制：Text-RNN， BiRNN， RCNN等等
• 记忆存储机制：EntNet， DMN等等
• 注意力机制：HAN等等

1 FastText

1.1 相关资料

论文:《Bag of Tricks for Efficient Text Classification》
Keras实现源码
Tensorflow实现源码

1.2 介绍

（1）简介
Fasttext是Facebook推出的一个便捷的工具，包含文本分类和词向量训练两个功能
Fasttext的分类实现很简单：把输入转化为词向量，取平均，再经过线性分类器得到类别。输入的词向量可以是预先训练好的，也可以随机初始化，跟着分类任务一起训练。

（2）优点

• 模型本身复杂度低，但效果不错，能快速产生任务的baseline
• Facebook使用C++进行实现，进一步提升了计算效率
• 采用了char-level的n-gram作为附加特征，比如paper的trigram是 [pap, ape, per]，在将输入paper转为向量的同时也会把trigram转为向量一起参与计算。这样一方面解决了长尾词的OOV (out-of-vocabulary)问题，一方面利用n-gram特征提升了表现
• 当类别过多时，支持采用hierarchical softmax进行分类，提升效率

（3）适用场景
对于文本长且对速度要求高的场景，Fasttext是baseline首选。同时用它在无监督语料上训练词向量，进行文本表示也不错。不过想继续提升效果还需要更复杂的模型。

2 TextCNN

2.1 相关资料

论文《Convolutional Neural Networks for Sentence Classification》
Python 实现工具包
Tensorflow实现文本分类

2.2 介绍

TextCNN是Yoon Kim在2014年提出的模型，开创了用CNN编码n-gram特征的先河

模型结构如图，图像中的卷积都是二维的，而TextCNN则使用「一维卷积」，即filter_size * embedding_dim，有一个维度和embedding相等。这样就能抽取filter_size个gram的信息。以1个样本为例，整体的前向逻辑是：

• 对词进行embedding，得到[seq_length, embedding_dim]
• 用N个卷积核，得到N个seq_length-filter_size+1长度的一维feature map
• 对feature map进行max-pooling（因为是时间维度的，也称max-over-time pooling），得到N个1x1的数值，拼接成一个N维向量，作为文本的句子表示
• 将N维向量压缩到类目个数的维度，过Softmax

在TextCNN的实践中，有很多地方可以优化（参考这篇论文《A Sensitivity Analysis of (and Practitioners’ Guide to) Convolutional Neural Networks for Sentence Classification》）：

• Filter尺寸：这个参数决定了抽取n-gram特征的长度，这个参数主要跟数据有关，平均长度在50以内的话，用10以下就可以了，否则可以长一些。在调参时可以先用一个尺寸grid search，找到一个最优尺寸，然后尝试最优尺寸和附近尺寸的组合
• Filter个数：这个参数会影响最终特征的维度，维度太大的话训练速度就会变慢。这里在100-600之间调参即可
• CNN的激活函数：可以尝试Identity、ReLU、tanh
• 正则化：指对CNN参数的正则化，可以使用dropout或L2，但能起的作用很小，可以试下小的dropout率(<0.5)，L2限制大一点
• Pooling方法：根据情况选择mean、max、k-max pooling，大部分时候max表现就很好，因为分类任务对细粒度语义的要求不高，只抓住最大特征就好了
• Embedding表：中文可以选择char或word级别的输入，也可以两种都用，会提升些效果。如果训练数据充足（10w+），也可以从头训练
• 蒸馏BERT的logits，利用领域内无监督数据
• 加深全连接：原论文只使用了一层全连接，而加到3、4层左右效果会更好

TextCNN是很适合中短文本场景的强baseline，但不太适合长文本，因为卷积核尺寸通常不会设很大，无法捕获长距离特征。同时max-pooling也存在局限，会丢掉一些有用特征。另外再仔细想的话，TextCNN和传统的n-gram词袋模型本质是一样的，它的好效果很大部分来自于词向量的引入，因为解决了词袋模型的稀疏性问题

3 DPCNN

3.1 相关资料

论文《Deep Pyramid Convolutional Neural Networks for Text Categorization》

PyTorch实现源码
TensorFlow实现源码
Keras实现源码

3.2 介绍

2017年，腾讯提出了把TextCNN做到更深的DPCNN模型：

上图中的ShallowCNN指TextCNN。DPCNN的核心改进如下：

• 在Region embedding时不采用CNN那样加权卷积的做法，而是对n个词进行pooling后再加个1x1的卷积，因为实验下来效果差不多，且作者认为前者的表示能力更强，容易过拟合
• 使用1/2池化层，用size=3 stride=2的卷积核，直接让模型可编码的sequence长度翻倍（自己在纸上画一下就get啦）
• 残差链接，参考ResNet，减缓梯度弥散问题
  凭借以上一些精妙的改进，DPCNN相比TextCNN有1-2个百分点的提升。

4 TextRCNN

4.1 相关资料

论文《Recurrent convolutional neural networks for text classification》
Pytorch实现源码
Keras实现源码
Tensorflow实现源码

4.2 介绍

除了DPCNN那样增加感受野的方式，RNN也可以缓解长距离依赖的问题

5 TextBiLSTM+Attention

5.1 相关资料

论文《Attention-Based Bidirectional Long Short-Term Memory Networks for Relation Classification》
Pytorch实现源码
Tensorflow实现源码
Keras实现源码

5.2 介绍

从前面介绍的几种方法，可以自然地得到文本分类的框架，就是先基于上下文对token编码，然后pooling出句子表示再分类。在最终池化时，max-pooling通常表现更好，因为文本分类经常是主题上的分类，从句子中一两个主要的词就可以得到结论，其他大多是噪声，对分类没有意义。而到更细粒度的分析时，max-pooling可能又把有用的特征去掉了，这时便可以用attention进行句子表示的融合：

6 HAN

6.1 相关资料

论文《Hierarchical Attention Networks for Document Classification》
TensorFlow实现源码
Keras实现源码

6.2 介绍

上文都是句子级别的分类，虽然用到长文本、篇章级也是可以的，但速度精度都会下降，于是有研究者提出了层次注意力分类框架，即Hierarchical Attention。先对每个句子用 BiGRU+Att 编码得到句向量，再对句向量用 BiGRU+Att 得到doc级别的表示进行分类：

7 Bert

7.1 相关资料

7.2 介绍

BERT分类的优化可以尝试：
• 多试试不同的预训练模型，比如RoBERT、WWM、ALBERT
• 除了 [CLS] 外还可以用 avg、max 池化做句表示，甚至可以把不同层组合起来
• 在领域数据上增量预训练
• 集成蒸馏，训多个大模型集成起来后蒸馏到一个上
• 先用多任务训，再迁移到自己的任务

8 封装的源码汇总

pytorch实现源码：https://github.com/649453932/Chinese-Text-Classification-Pytorch