基于卷積神經(jīng)網(wǎng)絡(luò)的職位描述文本分類方法

陶宏曜+梁棟屹

引言

隨著Internet的發(fā)展，網(wǎng)絡(luò)上的信息量增長(zhǎng)迅猛，互聯(lián)網(wǎng)信息提取技術(shù)應(yīng)運(yùn)而生。自動(dòng)分類是數(shù)據(jù)挖掘中一項(xiàng)關(guān)鍵的技術(shù)，在許多領(lǐng)域得到了廣泛的應(yīng)用。為了實(shí)現(xiàn)快速對(duì)大量文本自動(dòng)分類，許多學(xué)者對(duì)這一問題做了大量的探索，在構(gòu)造分類器時(shí)使用的技術(shù)大體可分為兩類：機(jī)器學(xué)習(xí)和深度學(xué)習(xí)。

在機(jī)器學(xué)習(xí)領(lǐng)域中，有研究較為成熟的算法，如：樸素貝葉斯分類器，支持向量機(jī)，信息熵，條件隨機(jī)場(chǎng)等。這些方法又可以分為三類：有監(jiān)督的機(jī)器學(xué)習(xí)，半監(jiān)督的機(jī)器學(xué)習(xí)和無(wú)監(jiān)督的機(jī)器學(xué)習(xí)。其中李榮陸等人使用最大熵實(shí)現(xiàn)了對(duì)中文文本的分類。李婷婷等通過對(duì)文本數(shù)據(jù)構(gòu)建若干特征，再利用傳統(tǒng)的機(jī)器學(xué)習(xí)方法對(duì)文本進(jìn)行分類。李文波等人提出了一種附加類別標(biāo)簽的LDA算法，該模型很好的解決了基于傳統(tǒng)LDA分類算法時(shí)強(qiáng)制分配隱含主題的問題。解沖鋒等人利用分類文本中旬子內(nèi)部詞語(yǔ)的相關(guān)性和句子間的相關(guān)性提出了一種基于序列的文本自動(dòng)分類算法。

現(xiàn)有許多分類器效果的好壞大都取決于所構(gòu)建特征的質(zhì)量和分類模型。為了得到更好的分類效果，國(guó)內(nèi)學(xué)者針對(duì)如何選取和生成特征，以及如何優(yōu)化模型參數(shù)等問題做了大量的研究。其中陸玉昌等人深入分析了向量空間模型（VSM）的本質(zhì)，找出了其分類正確率低的原因，并提出了一種利用評(píng)估函數(shù)代替IDF函數(shù)的改進(jìn)方法。李榮陸等人提出了一種基于密度的KNN分類器訓(xùn)練樣本裁剪方法，克服了KNN方法中存在的計(jì)算量大，而且訓(xùn)練樣本的分布不均勻會(huì)造成分類準(zhǔn)確率的下降的問題。尚文倩等人分析了基于矢量空間模型（VSM）的大多數(shù)分類器的瓶頸，通過對(duì)基尼指數(shù)進(jìn)行文本特征選擇的研究，構(gòu)造了基于基尼指數(shù)的文本特征評(píng)估函數(shù)，提出了一種新的基于基尼指數(shù)的文本特征選擇算法，進(jìn)一步提高分類性能。劉赫等人針對(duì)文本分類中的特征加權(quán)問題，提出了一種基于特征重要度的特征加權(quán)方法。明顯改善了樣本空間的分布狀態(tài)，簡(jiǎn)化了從樣本到類別的映射關(guān)系。唐煥玲等人針對(duì)如何從高維的特征空間中選取對(duì)文本分類有效的特征的問題，提出了一種結(jié)合評(píng)估函數(shù)的TEF-WA權(quán)重調(diào)整技術(shù)，不僅提高了分類精確度，還降低了算法的時(shí)間復(fù)雜度。

近幾年來(lái)，有關(guān)深度學(xué)習(xí)的理論研究與技術(shù)應(yīng)用吸引學(xué)術(shù)界和工業(yè)界的廣泛興趣。特別是圖像識(shí)別，語(yǔ)音識(shí)別等領(lǐng)域的成功應(yīng)用，越來(lái)越多的學(xué)者嘗試引入深度學(xué)習(xí)到自然語(yǔ)言的處理領(lǐng)域中來(lái)。梁軍等人利用自動(dòng)編碼技術(shù)和半監(jiān)督機(jī)器學(xué)習(xí)，實(shí)現(xiàn)了對(duì)微博文本的情感分析，大量減少了人工標(biāo)注的工作量。陳翠平引入了深度學(xué)習(xí)的思想來(lái)完成文本分類任務(wù)，使用深度信念網(wǎng)絡(luò)來(lái)完成提取文本特征的工作。Yoon等嘗試?yán)镁矸e神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)來(lái)解決情感分析和問題分類等若干自然語(yǔ)言處理任務(wù)，獲得了不錯(cuò)的效果。

目前使用機(jī)器學(xué)習(xí)技術(shù)實(shí)現(xiàn)的中文文本分類器已達(dá)到了不錯(cuò)的效果，但仍然存在對(duì)混淆類數(shù)據(jù)處理不佳，特征不稀疏等問題。針對(duì)此問題本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)結(jié)合新的TF-IDF算法和Word2vec工具的改良方法。本文在職位描述文本集上展開實(shí)驗(yàn)，通過調(diào)整調(diào)整卷積核，池化層大小以及隱藏層層數(shù)，分析新方法和傳統(tǒng)方法在不同訓(xùn)練參數(shù)情況下，對(duì)職業(yè)描述文本進(jìn)行自動(dòng)分類的性能。

1基于卷積神經(jīng)網(wǎng)絡(luò)的文本分類模型

卷積神經(jīng)網(wǎng)絡(luò)是前饋神經(jīng)網(wǎng)絡(luò)的一種，其特點(diǎn)有局部感受野、權(quán)值共享，可以極大地減少需要訓(xùn)練的參數(shù)個(gè)數(shù)?；诰矸e神經(jīng)網(wǎng)絡(luò)的文本分類器可以解決傳統(tǒng)文本分類器中人工選取特征難且不準(zhǔn)確的問題，其具體構(gòu)架如圖1所示：

第一層為數(shù)據(jù)預(yù)處理層：該層首先對(duì)職位描述文本進(jìn)行分詞處理，然后根據(jù)每個(gè)詞的特性利用現(xiàn)有的算法提取每個(gè)詞的特征，以作為第二層的輸入層。

第二層為卷積層：該層通過4xl的卷積核對(duì)輸入層的詞特征進(jìn)行組合過濾，再使用Relu神經(jīng)元激勵(lì)函數(shù)計(jì)算從而形成更抽象的特征模型。

第三層為池化層：對(duì)上一層的詞特征的相鄰小區(qū)域進(jìn)行聚類統(tǒng)計(jì)，得到新的特征。

第四層為全連接層：在經(jīng)過卷積層和池化層的處理之后，我們可以認(rèn)為職位的描述信息已經(jīng)被抽象成了信息含量更高的特征，需要使用全連接層來(lái)完成分類任務(wù)。

第五層為Softmax分類層：通過Softmax層，可以得到當(dāng)前職位描述屬于不同分類的概率分布情況。

數(shù)據(jù)預(yù)處理是整個(gè)分類方法的第一步，預(yù)處理的好壞直接影響著分類的效果的好壞。接下來(lái)將具體探討職位描述文本詞特征的提取問題。

2傳統(tǒng)TF-IDF算法

TF-IDF（詞頻率一逆文檔頻率）是一種用于資訊檢索與資訊探勘的常用加權(quán)技術(shù)。它的主要方法是：關(guān)鍵詞在文檔中的權(quán)重為該關(guān)鍵詞在文檔中出現(xiàn)的頻數(shù)反比于包含該關(guān)鍵詞的文檔數(shù)目。TF表示關(guān)鍵詞w在該文檔中出現(xiàn)的頻率，IDF表示所有文

通過TF-IDF能夠提取出一篇文檔的關(guān)鍵詞，其含義是如果詞w的在該文檔中出現(xiàn)的頻率高，在其他文檔中出現(xiàn)的頻率低，就代表詞w能夠很好的表示該文檔的特征。S

TF-IDF將文檔的內(nèi)部信息與外部信息綜合起來(lái)考慮特征詞，能較為全面的反應(yīng)文檔的特性，但在IDF的設(shè)計(jì)中還存在缺陷，關(guān)鍵詞的權(quán)重反比于逆文檔頻率。在實(shí)際情況中，往往判斷一個(gè)文檔的關(guān)鍵詞權(quán)重并不總是反比于逆文檔頻率，特別是在短文本的關(guān)鍵詞抽取中使用TF-IDF算法的效果不是很好。

假設(shè)總文檔數(shù)為10，以表1為例，‘工作和‘java關(guān)鍵詞在‘計(jì)算機(jī)類別和‘新聞傳媒類別中的逆文檔頻率分別為2，2和5，0。其中‘工作的IDF為log（10/4+0.01）=0.41，‘iava的IDF為log（10/5+0.01）=0.31。在c1類別的同一文檔中當(dāng)wl與w2具有相同的TF時(shí)，TF×IDF x～>TF×IDFiava。TF-IDF和TF-IDF的值表明，‘工作比‘java根據(jù)代表力，但從關(guān)鍵詞‘工作和‘iava在‘計(jì)算機(jī)和‘新聞傳媒類別中的分布表明，‘java比‘工作具有更好的類別區(qū)分度。在短文本分類中如果單純使用TF-IDF作為文本特征的抽取方法，往往達(dá)不到分類的效果，導(dǎo)致這一問題的原因可歸結(jié)為兩點(diǎn)：一是TF-IDF設(shè)計(jì)本身的缺陷；二是對(duì)文本表示的特征深度不夠。對(duì)此可使用Word2vec的Skip-gram進(jìn)一步提取文本特征來(lái)提高分類精確度。endprint

3Word2vec Skip-gram模型

Word2vec是Mikolov等所提出模型的一個(gè)實(shí)現(xiàn)，可以用來(lái)快速有效地訓(xùn)練詞向量。Word2vec包含了兩種訓(xùn)練模型，而skip-gram模型是其中的一種。采用該模型的最大優(yōu)勢(shì)在于，能夠克服傳統(tǒng)詞向量訓(xùn)練模型中由于窗口大小的限制，導(dǎo)致超出窗口范圍的詞語(yǔ)與當(dāng)前詞之間的關(guān)系不能被正確地反映到模型之中的問題。Skip-gram模型的設(shè)計(jì)見圖2所示。Skip-gram模型的訓(xùn)練目標(biāo)就是使得下式的值最大。

其中，c是窗口的大小，在Skip-gram模型中就是指n-Skip-gram中的n的大小，T是訓(xùn)練文本的大小。在Word2vec中，使用的是c-Skip-gram-bi-grams?；镜腟kip-gram模型計(jì)算條件概率公式如下：

其中，Vw和V分別是詞w的輸入和輸出向量。

使用Word2vec對(duì)中文文本生成的詞向量能夠從詞性，語(yǔ)法以及語(yǔ)義上表示一個(gè)詞的特性。相比于TF-IDF算法，詞向量所包含的信息量更為深入，所構(gòu)造出的分類器精確度有所提高，但仍存在對(duì)混淆類的數(shù)據(jù)噪點(diǎn)處理不佳的問題。

4改進(jìn)的TF-IDF表示

對(duì)于訓(xùn)練數(shù)據(jù)中存在像混淆類的噪點(diǎn)造成的文本分類不準(zhǔn)確的問題，我們可以在保持原有特征信息量不變的基礎(chǔ)上，可引入改進(jìn)的TF-IDF特征表示來(lái)緩解問題。

對(duì)傳統(tǒng)TF-IDF的改進(jìn)工作主要有兩點(diǎn)：一是對(duì)原算法的應(yīng)用擴(kuò)展，二是對(duì)函數(shù)的改造。傳統(tǒng)TF-IDF解決是多個(gè)文檔的特征提取，此處我們可以上升到對(duì)每個(gè)類別的關(guān)鍵詞特征提取，具體算法是：

其中TF表示的是W在CJ類別中出現(xiàn)的頻率，d代表Wi詞在Cj類中出現(xiàn)的文檔數(shù)，D代表q類的總文檔數(shù)。

公式（7）構(gòu)造的是一個(gè)閾值函數(shù)。公式（8）展開需要用到公式（7），N代表總類別數(shù)，WiCj含義具體可參照公式（6）的介紹。重新構(gòu)造的IDF求的是關(guān)鍵詞Wi在分類時(shí)出現(xiàn)概率的對(duì)數(shù)。此處使用的閾值函數(shù)主要是減少數(shù)據(jù)噪點(diǎn)對(duì)計(jì)算Wi詞的真實(shí)IDF的影響。在計(jì)算完每個(gè)詞在每一類中的TF-IDFmcj值后，可以運(yùn)用概率期望來(lái)表示每一個(gè)詞的TF-IDFwi權(quán)值，其具體計(jì)算方法詳見公式（9）和公式（10）。公式（10）中n是總詞數(shù)，m是總類別數(shù)。

利用改進(jìn)后的TF-IDF詞權(quán)重表示法結(jié)合Word2vec詞向量構(gòu)成的特征組再對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。實(shí)驗(yàn)結(jié)果表明這種方法，在緩解數(shù)據(jù)噪點(diǎn)對(duì)精確度的影響大的問題上是有效的。

5實(shí)驗(yàn)分析

5.1數(shù)據(jù)準(zhǔn)備及預(yù)處理

本文實(shí)驗(yàn)采用從web上爬取的職位描述信息，共計(jì)四百萬(wàn)條信息。首先對(duì)職位描述文本進(jìn)行分詞以及去停詞。接著使用Word2vec和改進(jìn)前和改進(jìn)后的TF-IDF算法對(duì)職位描述文本進(jìn)行特征提取，并生成與之對(duì)應(yīng)的特征表。

5.2測(cè)量標(biāo)準(zhǔn)

本文實(shí)驗(yàn)選擇的測(cè)量標(biāo)準(zhǔn)有兩個(gè)：一是最直接衡量分類效果的預(yù)測(cè)正確率，如公式（11）所示。另一個(gè)是經(jīng)過Softmax回歸之后的預(yù)測(cè)分類和正確分類之間的交叉熵，如公式（12）所示，其中p為正確概率，g為預(yù)測(cè)概率，x表示預(yù)測(cè)類別。

5.3樣本數(shù)量

訓(xùn)練樣本的大小是影響分類效果最直接的因素之一，它也是整個(gè)實(shí)驗(yàn)研究的基礎(chǔ)。在對(duì)樣本數(shù)量考察時(shí)，需保證只有樣本數(shù)量這一變量。本次實(shí)驗(yàn)將樣本數(shù)量分為100000條，200000條和300000條，實(shí)驗(yàn)結(jié)果見圖3所示。結(jié)果表明當(dāng)加大訓(xùn)練數(shù)量，可以改善分類的正確率。通過實(shí)驗(yàn)還發(fā)現(xiàn)隨著訓(xùn)練樣本數(shù)量的線性增加，對(duì)正確率的影響并不是線性的，數(shù)量越大，對(duì)正確率的影響越小。

5.4學(xué)習(xí)率的大小

學(xué)習(xí)率的大小關(guān)系到神經(jīng)網(wǎng)絡(luò)的收斂速度。實(shí)驗(yàn)結(jié)果如圖4和圖5所示，可以觀測(cè)到當(dāng)學(xué)習(xí)率以5.0的速率訓(xùn)練時(shí)，整個(gè)網(wǎng)絡(luò)會(huì)有很大的波動(dòng)，且分類的結(jié)果也有比較大的誤差。當(dāng)學(xué)習(xí)率為0.008時(shí)，整個(gè)網(wǎng)絡(luò)收斂相對(duì)穩(wěn)定，但是收斂的速度較慢。學(xué)習(xí)率太大會(huì)造成無(wú)法收斂，學(xué)習(xí)率偏小則收斂速度過慢，正確率也得不到很好的提升。通過多次實(shí)驗(yàn)，我們發(fā)現(xiàn)當(dāng)學(xué)習(xí)率為0.07時(shí)效果最好，收斂相對(duì)較快，且預(yù)測(cè)的正確率高。

5.5卷積核大小和全連接層數(shù)量

卷積核大小即一次抓取局部多少個(gè)的詞的長(zhǎng)度。全連接的層數(shù)表示擬合參數(shù)的維度。在相同學(xué)習(xí)率和訓(xùn)練數(shù)據(jù)，不同卷積核大小和全連接層節(jié)點(diǎn)數(shù)的情況下訓(xùn)練分類器，所得結(jié)果見表2所示。卷積核為4*1最為合適，如表2的第一行可知當(dāng)卷積核太小時(shí)，整個(gè)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)不到特征間的聯(lián)系，正確率相對(duì)較差。見表2第6行所示，當(dāng)卷積核太大則會(huì)使學(xué)習(xí)的特征太過泛化，提升不了分類的正確率。經(jīng)表2第3，4，5行比較顯示，全連接層為2層最佳，當(dāng)層數(shù)太低無(wú)法學(xué)習(xí)到更深的規(guī)則，當(dāng)層數(shù)過大時(shí)對(duì)分類效果的影響不大，反而還加大了算法的時(shí)間復(fù)雜度。

5.6不同分類算法和訓(xùn)練特征

使用TF-IDF，Word2vec和改進(jìn)后的TF-IDF的中文詞特征提取法。對(duì)傳統(tǒng)kNN分類器與基于卷積神經(jīng)網(wǎng)絡(luò)的分類器進(jìn)行了對(duì)比，實(shí)驗(yàn)結(jié)果見表3所示。通過對(duì)表3的kNN列和CNNs列的比較我們可以發(fā)現(xiàn)，無(wú)論在哪種情況下使用卷積神經(jīng)網(wǎng)絡(luò)來(lái)對(duì)職位描述文本分類時(shí)都占有得天獨(dú)厚的優(yōu)勢(shì)，其中使用Word2vec詞向量和改進(jìn)后的TF-IDF特征表示所訓(xùn)練處來(lái)的分類器預(yù)測(cè)的結(jié)果最為準(zhǔn)確，證實(shí)了該方法在處理混淆類等噪點(diǎn)數(shù)據(jù)時(shí)有一定的成效。

6結(jié)語(yǔ)

本文探討利用卷積神經(jīng)網(wǎng)絡(luò)構(gòu)造分類器的方法，分析了傳統(tǒng)分類器中TF-IDF特征提取算法的不足，提出了一種新的TF-IDF表示方法。通過實(shí)驗(yàn)分析，深入了解到了樣本數(shù)量，學(xué)習(xí)率，卷積核大小，隱藏層層數(shù)對(duì)分類器效果的影響機(jī)制，進(jìn)一步對(duì)分類器進(jìn)行了調(diào)優(yōu)，同時(shí)驗(yàn)證了新方法在解決傳統(tǒng)分類器中存在解決學(xué)習(xí)深度不夠，對(duì)混淆類數(shù)據(jù)噪點(diǎn)處理不佳等問題上是可行的。endprint