知識(shí)圖譜增強(qiáng)的科普文本分類模型

唐望徑，許 斌，仝美涵，韓美奐，3，王黎明，鐘 琦

（1.清華大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)系，北京 100084；2.北京交通大學(xué)計(jì)算機(jī)與信息技術(shù)學(xué)院，北京 100044；3.清華大學(xué)深圳國際研究生院，廣東深圳 518055；4.中國科普研究所，北京 100081）

0 引言

文本分類是信息處理和數(shù)據(jù)挖掘的重要研究方向，是自然語言處理（Natural Language Processing，NLP）的核心任務(wù)之一，廣泛應(yīng)用于新聞分類、輿情分析、推薦系統(tǒng)等領(lǐng)域。隨著互聯(lián)網(wǎng)的發(fā)展，網(wǎng)絡(luò)科普資源呈指數(shù)級增長，與此同時(shí)，海量的科普文本對人工進(jìn)行文本分類提出嚴(yán)峻的挑戰(zhàn)。一方面，傳統(tǒng)人工識(shí)別文本類型的方法耗時(shí)耗力、效率低下；另一方面，由于科普文章涉及領(lǐng)域廣泛，科普工作者對科普文章類型識(shí)別往往受到自身專業(yè)領(lǐng)域知識(shí)的限制，難以掌握科普所有領(lǐng)域。因此，利用計(jì)算機(jī)智能輔助專家對文本進(jìn)行自動(dòng)分類，能夠幫助科普工作者快速、準(zhǔn)確地對文章歸檔。

早期淺層學(xué)習(xí)模型通常使用人工特征工程的方法獲取適當(dāng)?shù)奈谋咎卣鱽肀碚鳂颖?，之后將特征輸入到機(jī)器學(xué)習(xí)分類模型中，如樸素貝葉斯（Naive Bayes，NB）、支持向量機(jī)（Support Vector Machine，SVM）、和

K

近鄰（

K

-Nearest Neighbor，

K

NN）等。淺層學(xué)習(xí)模型需要設(shè)計(jì)特征提取方法，往往代價(jià)昂貴。

隨著深度學(xué)習(xí)理論及計(jì)算機(jī)硬件的發(fā)展，深度學(xué)習(xí)模型在文本分類領(lǐng)域得到廣泛應(yīng)用。深度學(xué)習(xí)模型將特征工程集成到模型擬合過程中，簡化了分類流程，降低了模型的成本開銷。深度學(xué)習(xí)常用模型主要有卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）以及近些年效果表現(xiàn)優(yōu)異的預(yù)訓(xùn)練模型BERT（Bidirectional Encoder Representation from Transformers）。Kim在2014 年首次提出用于文本分類的CNN 模型，其表現(xiàn)與復(fù)雜的基于特征學(xué)習(xí)的分類器模型相比毫不遜色，激發(fā)了深度學(xué)習(xí)文本分類模型的研究熱潮。然而，當(dāng)文本長度較長時(shí)，CNN 難以提取較好的全局特征。RNN 能夠?qū)?fù)雜的單詞序列學(xué)習(xí)特征，有利于在較長的文本中提取單詞的全局時(shí)序特征，但是存在梯度消失和梯度爆炸等問題。預(yù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型通過在大規(guī)模無監(jiān)督的語料上預(yù)訓(xùn)練，再在文本分類任務(wù)上微調(diào)從而達(dá)到目前最優(yōu)的效果；但是預(yù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型輸入的長度受限，無法捕獲長文本語義，同時(shí)由于是端到端模型，缺乏知識(shí)的引導(dǎo)。

基于上述模型的問題，針對科普文章篇幅超過千字導(dǎo)致模型難以聚焦分類關(guān)鍵信息、性能不佳的問題，本文提出了知識(shí)圖譜增強(qiáng)的科普文本分類模型。首先，采用四步法構(gòu)建了科普領(lǐng)域知識(shí)圖譜，之后將圖譜中的實(shí)體信息作為遠(yuǎn)程監(jiān)督器，訓(xùn)練一個(gè)二分類模型作為信息過濾器，對句子進(jìn)行打分、排序并完成篩選，從而使得到的句子特征表示包含更多分類類別相關(guān)信息，以緩解層次模型無法突出關(guān)鍵語義信息的缺陷。然后，為了進(jìn)一步降低主題無關(guān)信息干擾，提高分類模型性能，本文引入句級別注意力模型，對篩選后的句子信息進(jìn)行二次過濾。最后，在構(gòu)建的科普文本分類數(shù)據(jù)集（Popular Science Classification Dataset，PSCD）上進(jìn)行對比實(shí)驗(yàn)，根據(jù)實(shí)驗(yàn)結(jié)果，本文所提模型取得良好的分類效果，驗(yàn)證了模型的有效性。相較于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型，本文模型在召回率和F1 指標(biāo)上有所提升。

本文的主要工作如下：1）提出了知識(shí)圖譜增強(qiáng)的科普文本分類模型，通過科普知識(shí)圖譜來進(jìn)行主題句篩選，并引入句級別注意力模型，最終通過一個(gè)全連接神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)科普文本分類；2）構(gòu)造了一個(gè)科普文本分類數(shù)據(jù)集，包含了13 372篇科普文章，且本文模型在該數(shù)據(jù)集上取得了最優(yōu)效果。

1 相關(guān)工作

1.1 文本分類

傳統(tǒng)的NB 和SVM 等文本分類模型通常需要將分類流程劃分為特征工程設(shè)計(jì)和分類器設(shè)計(jì)兩部分，構(gòu)建代價(jià)昂貴。隨著深度學(xué)習(xí)的發(fā)展，深度學(xué)習(xí)模型將特征提取融合進(jìn)模型擬合過程中，使得模型能夠直接從輸入中學(xué)習(xí)特征表示，無需過多的人工干預(yù)和先驗(yàn)知識(shí)。此外，由于深度學(xué)習(xí)模型具有更高的復(fù)雜度，相較于淺層模型具備更優(yōu)異的效果。TextCNN作為一次成功的嘗試，激發(fā)了研究人員在文本分類領(lǐng)域應(yīng)用CNN 的熱情。由于TextCNN 無法通過卷積獲取文本的長距離依賴關(guān)系，為解決該問題，Johnson 等提出了深度金字塔CNN（Deep Pyramid CNN，DPCNN），通過不計(jì)成本地增加網(wǎng)絡(luò)深度，模型能夠更精準(zhǔn)地抽取長距離的文本依賴關(guān)系。RNN 能夠通過遞歸計(jì)算捕獲長距離依賴關(guān)系，但存在梯度消失和梯度爆炸問題。人們通常使用RNN的改進(jìn)模型長短期記憶（Long Short-Term Memory，LSTM）網(wǎng)絡(luò)。RNN 能夠更好地捕捉上下文信息，但對于局部信息的提取能力欠佳。Lai 等提出了用于文本分類任務(wù)的循環(huán)CNN（Recurrent CNN，RCNN）模型，利用雙向LSTM 結(jié)構(gòu)替換CNN 中的卷積層，對文本進(jìn)行編碼，較好地捕獲了長文本上的序列信息；同時(shí)，通過CNN 的最大池化層，較好地捕獲了文本的局部特征。

1.2 注意力機(jī)制

神經(jīng)網(wǎng)絡(luò)能夠很好地與注意力機(jī)制結(jié)合，在文本建模時(shí)將注意力聚焦于分類的關(guān)鍵信息上，從而提高文本分類效果。注意力機(jī)制在計(jì)算機(jī)視覺領(lǐng)域首先被提出，隨后因被應(yīng)用到機(jī)器翻譯的端到端模型而引入NLP 領(lǐng)域。注意力機(jī)制通過目標(biāo)向量對輸入序列進(jìn)行打分，將注意力聚焦于輸入序列中更為重要的部分，使輸出結(jié)果更加精確。因此，注意力機(jī)制逐漸被應(yīng)用于文本分類等NLP 任務(wù)中。

在處理由許多句子組成的長文本時(shí)，直接將文本作為長序列進(jìn)行處理往往容易忽略文本層級結(jié)構(gòu)中蘊(yùn)含的信息，因此Yang 等提出了基于層級注意力網(wǎng)絡(luò)（Hierarchical Attention Network，HAN）的文本分類模型，該模型以雙向門控循環(huán)單元（Gate Recurrent Unit，GRU）作為編碼器，通過兩層注意力機(jī)制使模型更好地捕獲文本中的重要信息，提高了長文本分類的模型性能表現(xiàn)。文獻(xiàn)［13］通過一種無監(jiān)督的段落向量生成模型PV-DM（Distributed Memory model of Paragraph Vectors），基于結(jié)合注意力的CNN 分類模型在長文本分類任務(wù)中取得了較好的效果。Choi 等以ALBERT（A Lite BERT）作為編碼器，通過類別表示層提取分類的類別信息，使用類別信息對句子信息進(jìn)一步增強(qiáng)，之后通過句注意力機(jī)制對句子信息進(jìn)行篩選，獲取了文本重要信息，有效提高了長文本分類模型性能。

2 本文模型

圖1 為本文所提知識(shí)圖譜增強(qiáng)的科普文本分類模型總體架構(gòu)。

圖1 知識(shí)圖譜增強(qiáng)的科普文本分類模型架構(gòu)Fig.1 Achitecture of popular science text classification model enhanced by knowledge graph

通常，語料中的所有文本表示為

T

={

t

，

t

，…，

t

，…，

t

}，

t

表示語料中第

i

篇文本，|

T

|表示語料中包含的文本數(shù)量；每篇文本可以被表示為

t

={

S

，

S

，…，

S

，…，

S

}，

S

表示文本中的第

j

個(gè)句子，

n

=|

t

|表示文本中包含的句子數(shù)量；經(jīng)過特征提取后，句子

S

被表示為句向量

v

，句向量維度為768。

本文分類模型的建立流程如圖2 所示。

圖2 模型流程Fig.2 Model flowchart

流程主要由以下四部分組成：

1）科普領(lǐng)域知識(shí)圖譜構(gòu)建。借鑒“四步法”構(gòu)造科普領(lǐng)域知識(shí)圖譜。

2）文本信息篩選。首先將文本切分為句子集，使用預(yù)訓(xùn)練模型BERT 作為編碼器，將句子編碼為連續(xù)空間下的句向量，以實(shí)現(xiàn)對文本句子特征提取。以二分類器作為過濾器，利用知識(shí)圖譜中蘊(yùn)含的實(shí)體信息對文本句向量進(jìn)行篩選過濾，實(shí)現(xiàn)文本的信息篩選。

3）注意力機(jī)制。使用注意力機(jī)制對信息篩選后結(jié)果做進(jìn)一步的增強(qiáng)。

4）通過全連接層和Softmax 函數(shù)實(shí)現(xiàn)科普文本分類。

2.1 構(gòu)建科普領(lǐng)域知識(shí)圖譜

本文借鑒了領(lǐng)域知識(shí)圖譜構(gòu)建方法“四步法”。首先，對果殼網(wǎng)、環(huán)球科學(xué)、Science 科學(xué)等共68 家科普微信公眾號(hào)進(jìn)行數(shù)據(jù)采集，獲取近20 萬篇科普文章。構(gòu)建領(lǐng)域圖譜首先需要進(jìn)行本體構(gòu)建，通過使用統(tǒng)計(jì)方法結(jié)合人工歸納、借鑒高質(zhì)量通用圖譜和專家指導(dǎo)構(gòu)建了圖譜本體。首先通過詞頻―逆文本頻率（Term Frequency-Inverse Document Frequency，TF-IDF）算法和TextRank 算法提取采集文章的關(guān)鍵詞，同時(shí)通過

K

-Means 聚類算法對文章進(jìn)行聚類，通過人工觀察關(guān)鍵詞和聚類結(jié)果，得到了初步的領(lǐng)域概念。之后結(jié)合百度百科、Wikipedia 等通用圖譜對領(lǐng)域概念進(jìn)行修改并定義領(lǐng)域關(guān)系及其約束。其中：一級概念共10 個(gè)，分別為軍事、農(nóng)業(yè)、科學(xué)文化、醫(yī)學(xué)、健康、生態(tài)環(huán)境、信息科技、空間科學(xué)、基礎(chǔ)學(xué)科、生活百科；二級概念共45 個(gè)。最后，根據(jù)中國科普研究所專家指導(dǎo)，對構(gòu)建本體進(jìn)行檢查和評估，修改完善后得到最終的科普領(lǐng)域本體。根據(jù)定義好的科普領(lǐng)域本體結(jié)構(gòu)，從互聯(lián)網(wǎng)上公開的知識(shí)圖譜（如：百度百科、Wikipedia、XLORE 等）以及其他結(jié)構(gòu)化較好的網(wǎng)站中獲取大量結(jié)構(gòu)較好、質(zhì)量較高的實(shí)體數(shù)據(jù)，并結(jié)合半監(jiān)督和遠(yuǎn)程監(jiān)督方法，通過人工篩選獲取實(shí)體間關(guān)系。

2.2 文本信息篩選

文本信息篩選是本文模型對文本信息進(jìn)行提取過濾的部分，本節(jié)將按順序分別介紹以下兩步：第一步，以預(yù)訓(xùn)練模型BERT 作為編碼器對文本中所有句子進(jìn)行特征提取；第二步，以科普知識(shí)圖譜為監(jiān)督源構(gòu)建二分類過濾器，使用構(gòu)建的過濾器計(jì)算句子領(lǐng)域相關(guān)系數(shù)，并按照該系數(shù)對每篇文本句子進(jìn)行定量篩選。

2.2.1 特征提取

Google 的Devlin 等在2018 年提出了大規(guī)模預(yù)訓(xùn)練模型BERT，在特征提取任務(wù)上取得了極佳效果。BERT 模型由多層雙向的Transformer解碼器構(gòu)成，Transformer 模型的核心是注意力機(jī)制。BERT 采用多頭注意力（Multi-Head Attention）機(jī)制，能夠更好地獲取目標(biāo)字在多種語義場景下與其上下文構(gòu)造的語義信息。

H

的計(jì)算公式為：

其中：

W

表示權(quán)重矩陣，為輸出向量重新分配權(quán)重；

h

表示第

i

個(gè)頭的輸出向量。

h

的計(jì)算公式為：

其中：

Q

、

K

、

V

表示輸入向量經(jīng)過線性映射后得到的矩陣；

d

表示

K

向量的維度。

2.2.2 信息過濾

本文通過四步法構(gòu)建了科普領(lǐng)域知識(shí)圖譜，該圖譜的實(shí)體類別與科普文本分類類別一致。首先將科普文本分類數(shù)據(jù)集中的測試集按照7∶3 比例劃分出用于訓(xùn)練信息過濾二分類器的訓(xùn)練集和測試集，對所得訓(xùn)練集和測試集進(jìn)行句子切分，得到以句子為單位的訓(xùn)練句子集和測試句子集。之后，將科普圖譜中實(shí)體與上述所得句子集中句子進(jìn)行鏈接，為句子賦予標(biāo)簽

L

=[0，1]，實(shí)體鏈接成功句子標(biāo)簽賦1，鏈接失敗句子標(biāo)簽賦0。通過上述預(yù)處理，將語料測試集轉(zhuǎn)化為如下所示數(shù)據(jù)二元組：

圖3 句子過濾器結(jié)構(gòu)Fig.3 Structure of sentence filter

將輸入文本切分為句子集合，集合中句子

S

輸入訓(xùn)練好的二分類模型后，模型通過預(yù)訓(xùn)練模型BERT 對句子進(jìn)行特征提取，提取的特征信息將會(huì)通過輸出層得到輸出。輸出層包括線性層、激活函數(shù)，計(jì)算公式如下所示：

線性層維度為［768，768］，為隨機(jī)初始化的全連接層。為了避免出現(xiàn)線性模型表達(dá)能力不足的問題，將線性層輸出結(jié)果輸入激活函數(shù)，以此為模型添加非線性因素。將經(jīng)過激活函數(shù)后結(jié)果輸入Softmax 函數(shù)進(jìn)行歸一化處理，取標(biāo)簽

L

=1 的概率，將其視為領(lǐng)域相關(guān)系數(shù)

q

∈[0，1]，計(jì)算公式如下：

按照領(lǐng)域相關(guān)系數(shù)

q

對相應(yīng)的句向量

v

進(jìn)行排序，選出分?jǐn)?shù)值排名靠前的

n

個(gè)句向量

V

=[

v

；

v

；…；

v

]作為下一部分注意力模型輸入。同時(shí)，保持了各句向量在原文本中的先后順序，以避免造成位置信息丟失，影響模型分類性能。

2.3 注意力機(jī)制

文章中不同的句子對于文章內(nèi)容理解的貢獻(xiàn)程度不同。為計(jì)算句向量對于區(qū)分文章類別的貢獻(xiàn)程度，本文引入了注意力機(jī)制，其具體結(jié)構(gòu)如圖4 所示。

圖4 注意力機(jī)制結(jié)構(gòu)Fig.4 Structure of attention mechanism

注意力模型的計(jì)算公式如下：

2.4 文本分類

通過注意力機(jī)制，得到了句向量對應(yīng)分類的注意力。通過注意力對句向量進(jìn)行聚合，得到

v

，該向量包含了經(jīng)過過濾器和注意力機(jī)制雙重篩選后的文本信息。將

v

輸入由全連接層和Softmax 函數(shù)構(gòu)成的多分類器中，得到類別概率：

通過最小化分類的交叉熵誤差，以有監(jiān)督的方式訓(xùn)練模型。損失函數(shù)如下：

其中：

N

為樣本數(shù)；

C

為多分類類別總數(shù)；若預(yù)測類別和樣本所屬類別相同則

y

為1，否則為0；

p

為文本

t

屬于類別

c

的概率。

3 實(shí)驗(yàn)與結(jié)果分析

3.1 實(shí)驗(yàn)數(shù)據(jù)

為了驗(yàn)證模型效果，本文構(gòu)建了科普文本分類數(shù)據(jù)集PSCD。首先，對照科普領(lǐng)域知識(shí)圖譜實(shí)體分類，從科普中國等國內(nèi)著名科普網(wǎng)站中爬取相應(yīng)欄目的科普文章。剔除內(nèi)容過短和過長的科普文本，對篩選后文本進(jìn)行去重和數(shù)據(jù)清洗，最終得到科普文本分類數(shù)據(jù)集?？破臻L文本分類數(shù)據(jù)集中單個(gè)文本長度為102～26 722。數(shù)據(jù)集中包含10 個(gè)分類，共13 372 篇文本，其中短文本730 篇，長文本11 195 篇，超長文本1 447 篇。實(shí)驗(yàn)隨機(jī)選取80%作為訓(xùn)練數(shù)據(jù)，20%作為測試數(shù)據(jù)。數(shù)據(jù)集具體細(xì)節(jié)統(tǒng)計(jì)如表1 和圖5 所示。

表1 數(shù)據(jù)集詳細(xì)情況Tab 1 Dataset details

圖5 輸入文本長度分布統(tǒng)計(jì)情況Fig.5 Statistics on length distribution of input text

3.2 基線方法及實(shí)驗(yàn)設(shè)置

3.2.1 基線方法

為評價(jià)模型在長文本分類任務(wù)上的性能，引入了多種典型模型進(jìn)行實(shí)驗(yàn)對比，以下詳細(xì)描述了所有進(jìn)行比較的模型：

1）FastText：該模型是一個(gè)使用淺層神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)的快速文本分類算法，不需要使用預(yù)訓(xùn)練詞向量，模型會(huì)在訓(xùn)練過程中訓(xùn)練詞向量。該模型分類效果較好，需要的訓(xùn)練時(shí)間極少，是一種高效的工業(yè)級分類模型。

2）TextCNN：該模型是CNN 在NLP 中的一次成功的應(yīng)用，能夠利用CNN 對局部特征捕捉的特性，獲取不同抽象層次的語義信息。

3）TextRNN：該模型是一種RNN，將經(jīng)過預(yù)訓(xùn)練詞向量模型后的詞向量表示按順序輸入雙向LSTM 中，將LSTM最后一個(gè)時(shí)間步長中的隱藏狀態(tài)輸入Softmax 層后輸入全連接層進(jìn)行分類，最終輸出文本分類。

4）TextRCNN：RNN 能夠更好地捕捉上下文信息，而CNN 能夠有效地捕捉局部特征。該模型結(jié)合了RNN 和CNN的特點(diǎn)，將CNN 中的卷積層換成了雙向的循環(huán)結(jié)構(gòu)，使其能夠有效減少噪聲，最大限度地捕捉上下文信息。同時(shí)該模型保留了最大池化層，保證了模型對局部特征的提取能力。

5）BERT：該模型為2018 年谷歌提出的大規(guī)模預(yù)訓(xùn)練模型，模型框架基于Transformer，實(shí)現(xiàn)了多層雙向Transformer 編碼器。該模型一經(jīng)發(fā)布，就在多項(xiàng)NLP 任務(wù)中取得了SOTA 結(jié)果。雖然該模型主要任務(wù)并不是文本分類，但由于其優(yōu)秀的文本表征能力，本文使用中文BERT 預(yù)訓(xùn)練模型作為編碼器，將結(jié)果輸入Softmax 函數(shù)和全連接層，實(shí)現(xiàn)文本分類任務(wù)。

3.2.2 實(shí)驗(yàn)設(shè)置

所有基線模型均為基于字級別的分類模型。由于BERT輸入長度限制為510 字，且原數(shù)據(jù)集中文本長度較長，故對BERT 模型輸入文本進(jìn)行預(yù)處理，對長度超過510 字文本，從文本開頭截取長度為510 字文本作為模型輸入，對長度未超過限制的文本則不做處理。

對比實(shí)驗(yàn)中，TextCNN、TextRNN、TextRCNN 均使用預(yù)訓(xùn)練詞向量模型Word2Vec 生成詞向量，設(shè)置單詞嵌入維度為300，文本長度均未作處理。

實(shí)驗(yàn)運(yùn)行服務(wù)器配置為Intel Core i9-10900K CPU，顯卡為RTX 3090。

3.3 評測標(biāo)準(zhǔn)

本文采用準(zhǔn)確率

Acc

（Accuracy）、召回率

R

（Recall）以及F1 值（F1-score）作為對本文分類模型效果的評價(jià)指標(biāo)。計(jì)算公式如下：

其中：

TP

（True Positives）表示預(yù)測為正的正樣本，

FP

（False Positives）表示預(yù)測為正的負(fù)樣本，

FN

（False Negatives）表示預(yù)測為負(fù)的正樣本，

TN

（True Negatives）表示預(yù)測為負(fù)的負(fù)樣本。

3.4 實(shí)驗(yàn)結(jié)果分析

表2 為上述各基線模型與本文模型在科普文本分類數(shù)據(jù)集PSCD 上分類表現(xiàn)。由表2 可知，本文模型在平均召回率以及平均F1 值上最高，相較于TextCNN 和BERT，分別提高了2.88 和1.88 個(gè)百分點(diǎn)；BERT 在所有基線模型中表現(xiàn)最佳，TextCNN、TextRCNN 均在數(shù)據(jù)集上取得了較好的分類效果。雖然TextRNN 使用LSTM 替代普通RNN，解決了處理較長文本時(shí)會(huì)出現(xiàn)的梯度消失問題，但是由于科普文本中長文本數(shù)量多、字?jǐn)?shù)長，該模型在PSCD 上的分類表現(xiàn)仍較差。FastText 表現(xiàn)僅優(yōu)于TextRNN，但其模型的訓(xùn)練耗時(shí)明顯少于其他模型，同時(shí)不需要預(yù)訓(xùn)練詞向量，故其仍是一個(gè)非常優(yōu)秀的分類模型。

表2 PSCD上各模型的表現(xiàn) 單位：%Tab 2 Performance of each model on PSCD unit：%

為了更進(jìn)一步探索模型的效果，故對測試集中分類錯(cuò)誤案例進(jìn)行了分析。當(dāng)文本句子個(gè)數(shù)上限設(shè)置為30 時(shí)，共在測試集中得到類別錯(cuò)誤劃分案例453 例，其中，文本句子數(shù)量少于30 的案例共272 例，文本句子數(shù)多于或等于30 的案例共181 例。即文本中句子數(shù)量對于模型的分類效果造成了一定的影響。之后，對案例中各分類數(shù)量占比進(jìn)行了統(tǒng)計(jì)，發(fā)現(xiàn)錯(cuò)誤常常出現(xiàn)在涉及學(xué)科領(lǐng)域交叉應(yīng)用的文章的分類中，如圖6 所示。

圖6 錯(cuò)誤案例Fig.6 Error case

該文章開頭提及了以色列國防軍配備了一種裝載人工智能系統(tǒng)的坦克，并在后續(xù)對該坦克進(jìn)行了詳細(xì)介紹，之后花費(fèi)了大量篇幅對軍事領(lǐng)域內(nèi)容進(jìn)行了描述。文章中大量出現(xiàn)“國防軍”“坦克”“裝甲戰(zhàn)斗”等軍事領(lǐng)域詞匯和科普圖譜中屬于軍事科普分類下的“MerkavaMk4Barak 坦克”“IronViewVR 頭盔”等軍事實(shí)體。雖然該文本主要內(nèi)容為人工智能技術(shù)在軍事領(lǐng)域應(yīng)用及相關(guān)的倫理問題，應(yīng)屬于信息科技分類，但大量的軍事領(lǐng)域詞匯和軍事領(lǐng)域?qū)嶓w形成的噪聲誤導(dǎo)了分類器，以至于將本屬于信息科技分類下的文本劃分到軍事科普分類中。類似情況在錯(cuò)誤案例中頻繁發(fā)生。

上述結(jié)果表明，利用知識(shí)圖譜實(shí)體信息構(gòu)建的過濾器，對長文本進(jìn)行句子篩選，能夠有效地提取包含領(lǐng)域相關(guān)實(shí)體、領(lǐng)域詞匯句子，對長文本分類模型性能有所提升。

4 結(jié)語

本文研究基于領(lǐng)域知識(shí)圖譜的文本分類模型，提出了知識(shí)圖譜增強(qiáng)的科普文本分類模型。首先，將輸入文本切分為句子集，使用BERT 作為句子編碼器，將所有句子轉(zhuǎn)化為句向量集；然后，構(gòu)建了一個(gè)以科普領(lǐng)域圖譜實(shí)體信息作為監(jiān)督數(shù)據(jù)源，科普文本句子集作為輸入的二分類過濾器，基于過濾器，對輸入文本進(jìn)行篩選，輸出固定數(shù)量且排名靠前的句子向量；最后，通過注意力模型獲得對文本信息高度總結(jié)的輸出向量，將其輸入分類層獲得文本對應(yīng)類別概率，以實(shí)現(xiàn)文本分類。通過在科普分類數(shù)據(jù)集PSCD 進(jìn)行對比實(shí)驗(yàn)表明，所提出模型在分類性能優(yōu)于基線模型中召回率最高的TextCNN 模型以及F1-Score 最高的BERT 模型，與BERT 模型相比，召回率和F1-Score 分別提升了3.18 個(gè)百分點(diǎn)和1.88個(gè)百分點(diǎn)。對錯(cuò)誤案例的分析可知，僅利用實(shí)體及類別信息不足以解決交叉領(lǐng)域中次要領(lǐng)域信息對分類造成影響的問題。在后續(xù)工作中，將嘗試通過引入更多圖譜信息解決上述問題。

致謝：此項(xiàng)工作得到了中國科普研究所2020年委托合作項(xiàng)目“自然語言處理方法在科普領(lǐng)域的應(yīng)用研究”（200110EMR028）支持。