基于CNN與規(guī)則匹配的廣告類中文短小文本信息識別

殷越

摘 要：隨著互聯(lián)網(wǎng)越來越深入生活的方方面面，越來越多的人開始積極參與互聯(lián)網(wǎng)上的各種互動行為。互聯(lián)網(wǎng)上也有越來越多的地方允許人與人之間通過文本的形式進(jìn)行互動。但伴隨著文本互動行為的規(guī)模不斷擴(kuò)大，也對網(wǎng)站的管理人員造成了逐漸增長的壓力。廣告類行為相比其他垃圾行為而言，背后有著利益進(jìn)行驅(qū)動。大量的廣告信息對管理者的管理方式造成了挑戰(zhàn)。為了緩解這些問題，該文構(gòu)造了一種規(guī)則匹配與卷積神經(jīng)網(wǎng)絡(luò)（CNN）結(jié)合的廣告類短小文本信息識別方法，取得了較好的識別效果。

關(guān)鍵詞：CNN NLP 廣告 分類 自然語言處理

中圖分類號：TP393 文獻(xiàn)標(biāo)識碼：A 文章編號：1672-3791（2019）01（b）-00-04

1 背景介紹

目前對此類識別短小文本信息進(jìn)行識別，方法大致有3種：（1）基于語義理解的方法；（2）使用基于標(biāo)簽的方法；（3）使用機(jī)器學(xué)習(xí)方法進(jìn)行分類。該文主要探尋使用主流的機(jī)器學(xué)習(xí)分類技術(shù)與規(guī)則過濾方法通過自動識別廣告類文本信息解決傳統(tǒng)手段對于文本互動的管理問題。關(guān)于分類問題，有一些常見算法可供選擇：Naive Bayes、AdaBoost、Gradient boosting、卷積神經(jīng)網(wǎng)絡(luò)（CNN）等。盡管文本分類是自然語言處理（NLP）領(lǐng)域的經(jīng)典問題[1]，但在實(shí)際應(yīng)用中，大多數(shù)運(yùn)營者仍然采用傳統(tǒng)的人工方式或人工方式加簡單關(guān)鍵詞進(jìn)行過濾。但這種管理手段效率低下，無法及時過濾迅速產(chǎn)生的海量短小文本互動信息，影響互動功能的正常使用。很多論壇可能一夜之間，就被機(jī)器人發(fā)送的大量廣告信息充斥著版面。增大了用戶瀏覽和查找正常內(nèi)容的困難。盡管招聘專人對論壇版面管理是個不錯的選擇，但專人成本高，負(fù)荷量大，管理困難，而且未必能在第一時間處理問題。如今，用戶生成內(nèi)容成為互聯(lián)網(wǎng)上的重要信息來源。因此采用一些技術(shù)手段自動對用戶發(fā)出的文本內(nèi)容做初步的篩選和過濾，提高網(wǎng)站對于文本互動中的廣告類短小文本信息的管理效率，保障互動功能的正常使用成為了迫切的需求，如圖1所示。

2 研究現(xiàn)狀分析

廣告類短小文本信息是指廣告類的評論、留言、或者公共板塊的即時通信信息。針對廣告類短小文本信息的自動識別現(xiàn)在主要有以下幾種方法：（1）采用驗(yàn)證碼等方式；（2）基于關(guān)鍵詞、鏈接數(shù)量等特征的自動識別方法等。

研究人員目前對垃圾文本信息的識別做了大量的工作，取得了長足的進(jìn)步，Liu等從評論、用戶行為、商品3個角度提取特征項(xiàng)，對非評論的無關(guān)文本以及只涉及商品品牌而無關(guān)商品本身的垃圾評論進(jìn)行識別，較好地識別了英文領(lǐng)域中存在的無用評論，但由于中英文之間存在差異，往往英文領(lǐng)域的垃圾識別方法不能直接有效地應(yīng)用到中文領(lǐng)域當(dāng)中。邱云飛等及吳敏等分別從用戶行為、商品特征的顯著性以及評論是否有用等角度對垃圾評論的識別進(jìn)行了研究。但以上研究大多僅僅適用于特定使用場景（例如商品評論）的廣告文本識別，很難應(yīng)用到其他領(lǐng)域。也有人指出大部分實(shí)驗(yàn)室研究數(shù)據(jù)都是小樣本，并且很多都是手動添加標(biāo)簽，具有很大的誤差。大多數(shù)研究僅停留在理論、模型構(gòu)建、實(shí)驗(yàn)測試，數(shù)據(jù)量小主觀性強(qiáng)。

3 研究目的和預(yù)期成果

由研究現(xiàn)狀分析可見，當(dāng)前的主要研究方向主要集中在對特定場景的垃圾評論分析，例如，微博和電子商務(wù)平臺，但在真實(shí)的互聯(lián)網(wǎng)上，還存在著大量綜合性論壇。如綜合性論壇網(wǎng)站百度貼吧，其有超過22500000個貼吧，用戶量超過15億。市面上也有諸多通用論壇模板，例如Crossday Discuz！ Board、phpwind、Ucenter home等。在這些綜合性論壇中發(fā)布的帖子等廣告類中文短小文本信息識別與產(chǎn)品/微博的評論識別有很大不同：（1）綜合性論壇中一般沒有固定的話題，并且討論無關(guān)內(nèi)容一般也是允許的；（2）當(dāng)前的研究多要求使用用戶的歷史行為數(shù)據(jù)而不是對文本進(jìn)行單獨(dú)的分析，然而一旦基于歷史行為進(jìn)行分析，很容易導(dǎo)致同一段文本，A用戶發(fā)送的被視為廣告文本而被阻止，B用戶則未被阻止。在論壇等開放討論環(huán)境中易引起用戶的不滿。并且，對數(shù)據(jù)（諸如用戶歷史行為數(shù)據(jù)等）更多的要求會加大應(yīng)用研究成果的難度。論壇與電子商務(wù)相比較而言，論壇的注冊大多是低門檻的，廣告信息發(fā)布者可以通過低成本地建立另一個賬號的方式規(guī)避對歷史行為數(shù)據(jù)的分析。同時，還存在諸多含有評論功能的小型網(wǎng)站/個人網(wǎng)站/網(wǎng)站模板。對于這類網(wǎng)站，應(yīng)存在一種適配簡單、針對性不強(qiáng)的通用廣告類中文短小文本信息檢測方法。

因此，有必要實(shí)現(xiàn)一種快速高精度的識別方法，其只依賴文本內(nèi)容本身進(jìn)行識別，且僅需識別主要的廣告類中文短小文本即可，從而緩解人工識別時效性低、成本高的缺點(diǎn)。

4 規(guī)則匹配

為了對大多數(shù)廣告類中文短小文本進(jìn)行初步的過濾，我們首先構(gòu)造規(guī)則匹配方法進(jìn)行特征建模和特征提取。

4.1 廣告類短小文本的特征建模和特征提取

對于廣告類的文本信息一般都包含一些比較明顯、獨(dú)特的關(guān)鍵詞，例如，一條廣告類的文本信息：“滿額立減不玩兒虛的，超值會員盛宴僅剩3天”，其中就包含與商業(yè)廣告非常相關(guān)的關(guān)鍵詞：“滿額立減”“會員”“超值”，這些關(guān)鍵詞對廣告類文本的識別是非常重要的特征。故根據(jù)大量的廣告類文本信息構(gòu)造了關(guān)鍵詞列表，對包含此類關(guān)鍵詞頻率較高的文本信息進(jìn)行初步的過濾。

一般廣告類的文本信息主要以獲取商業(yè)利益為主要目的，所以該類信息中不僅含有比較明顯、獨(dú)特的關(guān)鍵詞，并且在信息中一般還包含URL、QQ號、微信、電話號碼等聯(lián)系方式.例如，“【BV原創(chuàng)設(shè)計(jì)復(fù)古度假沙灘高腰V領(lǐng)大擺仙女網(wǎng)紗吊帶蓬蓬連衣裙女夏】https：//m.tb.cn/h.3MpMLQ4？sm=5a7a87點(diǎn)擊鏈接，再選擇瀏覽器咑閞；或復(fù)·制這段描述￥BXn3bmeFCQP￥后到淘♂寳♀”“3D仙俠手游火熱內(nèi)測中，上線就得極品仙器一件，永不刪檔 url.cn/ABCDEFG”。該文通過構(gòu)造正則表達(dá)式來檢驗(yàn)一條文本中是否存在該類信息，并結(jié)合關(guān)鍵詞頻率進(jìn)行初步的過濾。

4.2 卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network）

CNN是機(jī)器學(xué)習(xí)中一類深度前饋人工神經(jīng)網(wǎng)絡(luò)，最常用于分析視覺圖像，后來逐漸被應(yīng)用于自然語言處理和文本分析。

CNN是一種模仿生物神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能的數(shù)學(xué)模型或計(jì)算模型，用于對數(shù)據(jù)所服從的真實(shí)分布函數(shù)進(jìn)行估計(jì)或近似。相比傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，CNN增加了一個或多個卷積層、池化層和頂端的全連接層。

從整體結(jié)構(gòu)而言，CNN像常規(guī)的神經(jīng)網(wǎng)絡(luò)一樣，大體的結(jié)構(gòu)主要分為輸入層、隱層、輸出層。卷積層、池化層和全連接層都屬于隱層。卷積神經(jīng)網(wǎng)絡(luò)的每層神經(jīng)元與下一層神經(jīng)元全互連，神經(jīng)元之間不存在同層連接，也不存在跨層連接，如圖2所示。

卷積神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)的優(yōu)秀模型有著良好的容錯能力、并行處理能力和自學(xué)能力。廣泛用于處理不清楚背景知識，不明確推理規(guī)則的問題，能夠適應(yīng)具有較大缺損、畸變的樣本數(shù)據(jù)，具有良好的魯棒性和運(yùn)算效率。

該文采用TensorFlow 1.9構(gòu)建該文所述的CNN模型。TensorFlow是一個開源軟件庫，主要用于機(jī)器學(xué)習(xí)和深度神經(jīng)網(wǎng)絡(luò)方面的研究，也可廣泛用于其他計(jì)算領(lǐng)域。它是Google基于DistBelief進(jìn)行研發(fā)的第二代人工智能學(xué)習(xí)系統(tǒng)。

首先我們嘗試對數(shù)據(jù)使用結(jié)巴分詞進(jìn)行分詞處理，采用Word2vec進(jìn)行處理，用Text-CNN進(jìn)行分類，但效果不佳，通過多次嘗試，我們最終選擇了Char-CNN算法。最終構(gòu)建的網(wǎng)絡(luò)簡圖如圖3所示。

第一個網(wǎng)絡(luò)層是輸入層，這一層采用Word embedding的方法將詞匯索引向低維度的詞向量進(jìn)行映射，起到降維作用。它本質(zhì)是一個從數(shù)據(jù)中學(xué)習(xí)得到的詞匯向量表，是一種特征提取器。

卷積層有局部連通性，可以用來消除局部相關(guān)性（比如在數(shù)據(jù)集中“我”后面一定跟著“們”，那么“們”這個信息就可以被刪減）。降低數(shù)據(jù)量以準(zhǔn)備進(jìn)入全連接層。

池化層用來選取卷積結(jié)果計(jì)算后的最強(qiáng)特征。池化可自適應(yīng)輸入寬度從而將不同長度的輸入轉(zhuǎn)化為統(tǒng)一長度的輸出并起到降低數(shù)據(jù)量的目的。這里采用的是最大池化。

全連接層，隱含語義表達(dá)，把上一層有用的信息提取整合。在兩個全連接層之間會進(jìn)行一次dropout。它會根據(jù)一定的概率“禁用”某些神經(jīng)元的發(fā)放。這種方法可以防止神經(jīng)元共同適應(yīng)一個特征，而迫使它們單獨(dú)學(xué)習(xí)有用的特征來緩解過擬合問題。

5 實(shí)驗(yàn)結(jié)果與分析

5.1 實(shí)驗(yàn)數(shù)據(jù)集

通過自行開發(fā)的一個網(wǎng)絡(luò)爬蟲，我們從互聯(lián)網(wǎng)中收集到了50000用戶互動文本信息（如評論或即時通訊聊天記錄）和50000條廣告，總數(shù)100000條。我們?nèi)≌Ｔu論和廣告各40000條組成訓(xùn)練數(shù)據(jù)集。剩下的作為驗(yàn)證集和測試集。

5.2 實(shí)驗(yàn)環(huán)境

該文實(shí)驗(yàn)采用的編程語言是Python，運(yùn)行環(huán)境是Python 3.6 4Ghz Intel Core i7 16GB 2666Mhz DDR4 NVIDIA GeForce GTX 1080。

5.3 實(shí)驗(yàn)結(jié)果

我們通過隨機(jī)從訓(xùn)練集中抽取指定數(shù)量的樣本，進(jìn)行了實(shí)驗(yàn)1，比較了不同算法達(dá)到準(zhǔn)確率所需要的訓(xùn)練次數(shù)。其中Method 1是采用樸素貝葉斯實(shí)現(xiàn)的廣告信息過濾器，Method 2是采用Gradient boosting與決策樹結(jié)合實(shí)現(xiàn)的廣告信息過濾器，Method 3是該文采用的方法，但沒有加入規(guī)則過濾，如圖4所示。

深度學(xué)習(xí)在不同樣本容量下準(zhǔn)確度均有較大的優(yōu)勢，并且一直成上漲趨勢，可以推測，如果樣本量進(jìn)一步增長，準(zhǔn)確度還可以繼續(xù)提升。

將該文實(shí)驗(yàn)的方法與其他主流機(jī)器學(xué)習(xí)方法實(shí)驗(yàn)的分類器進(jìn)行比較，進(jìn)行實(shí)驗(yàn)2，其中Method4是該文采用的方法并加入規(guī)則匹配，如圖5所示。

可以看出Method1、Method2在指標(biāo)上基本接近，并且弱于其他方法。Method3的各項(xiàng)指標(biāo)位居第二。而Method4也就是該文的方法在準(zhǔn)確度、F1、正常文本準(zhǔn)確率、正常文本查全率4個指標(biāo)中都高于其他方法。

6 結(jié)語

該文的創(chuàng)新點(diǎn)在于使用了Char-CNN以及規(guī)則匹配進(jìn)行短小文本的分類，探索了一種可以有效識別廣告類中文短小文本信息的方法。通過使用實(shí)際數(shù)據(jù)對比多種文本分類技術(shù)在廣告類中文短小文本信息識別的效果，該文所提出的方法在準(zhǔn)確度上優(yōu)于傳統(tǒng)方法。

但當(dāng)樣本容量過小時，該文的方法的識別率較低，因此，下一步工作可考慮采用相應(yīng)方法降低算法對訓(xùn)練樣本量的要求，并結(jié)合一些其他相關(guān)技術(shù)，進(jìn)一步提高算法的識別準(zhǔn)確率。

希望未來可以繼續(xù)完善本文工作，最終將該技術(shù)應(yīng)用到實(shí)際生產(chǎn)環(huán)境（例如綜合性論壇、論壇模板、小型網(wǎng)站及個人網(wǎng)站）中，較大地減輕了管理員的數(shù)據(jù)處理壓力，提升了管理效率。

參考文獻(xiàn)

[1] 田雅.社交網(wǎng)絡(luò)下的垃圾信息處理算法研究[D].山東師范大學(xué)，2017.

[2] 李京蔚.在線商品垃圾評論發(fā)布動機(jī)影響因素研究[J].企業(yè)技術(shù)開發(fā)，2016，35（5）：72，75.