一種基于詞嵌入模型和卷積神經(jīng)網(wǎng)絡(luò)的簡化文本分類方法

華帥 鐘世立 李鑫鑫 陳彩鳳

(東莞理工學(xué)院 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，廣東東莞 523808)

近年來，隨著網(wǎng)絡(luò)數(shù)據(jù)的快速爆發(fā)，面對復(fù)雜的海量數(shù)據(jù)，人力逐漸難以應(yīng)對，運(yùn)用計(jì)算機(jī)對文本進(jìn)行自動(dòng)分類的應(yīng)用越來越普遍。文本分類作為自然語言處理的一個(gè)子任務(wù)，目前它的應(yīng)用主要包括但不限于三個(gè)方面：第一，新聞的主題分類(文章分類)，將新聞數(shù)據(jù)自動(dòng)歸檔為如財(cái)經(jīng) 、體育、軍事、娛樂等欄目；第二，文本數(shù)據(jù)的情感分析，一般用于影視評論、商品評價(jià)及外賣評價(jià)等數(shù)據(jù)的分析；第三，輿情分析，與情感分析的區(qū)別在于輿情分析更側(cè)重于目標(biāo)群體的情感極性，多數(shù)情形下為二分類，一般用于政府或者金融機(jī)對社會(huì)的輿論導(dǎo)向分析。面對這些需求，文本分類算法也快速發(fā)展起來。本文基于當(dāng)前需求，在文本分類大環(huán)境下進(jìn)行新的分類算法 探索。

文本分類算法的相關(guān)研究，即從傳統(tǒng)的機(jī)器學(xué)習(xí)算法如樸素貝葉斯、邏輯回歸到k近鄰、支持向量機(jī)[3]等逐漸發(fā)展到以CNN[4-6]為代表的深度學(xué)習(xí)。其中，文本分類的應(yīng)用也發(fā)生了相應(yīng)的變化。以支持向量機(jī)(SVM)為代表的傳統(tǒng)機(jī)器學(xué)習(xí)模型和以XLNet[7]、BERT[9]和GPT[8]系列的參數(shù)學(xué)習(xí)模型在文本分類以及自然語言處理等任務(wù)方面取得了較好的分類效果，但像GTP-x系列、XLNet和BERT等預(yù)訓(xùn)練語言模型的參數(shù)高達(dá)億級級別，一般研究人員的研究硬件環(huán)境難以支持此類模型的訓(xùn)練。此外，傳統(tǒng)的機(jī)器學(xué)習(xí)模型往往基于數(shù)學(xué)上的統(tǒng)計(jì)理論和概率論，沒有很好地利用深度學(xué)習(xí)神經(jīng)元較強(qiáng)的非線性擬合能力。所以，在數(shù)據(jù)急劇增加時(shí)，傳統(tǒng)的機(jī)器學(xué)習(xí)方法在大規(guī)模數(shù)據(jù)分類時(shí)效果不佳。而深度學(xué)習(xí)模型依賴于較多的數(shù)據(jù)，在大規(guī)模的數(shù)據(jù)集上表現(xiàn)更好，但它對算力要求也更高。受此啟發(fā)，筆者提出了一種簡化的預(yù)訓(xùn)練語言模型Simplified CNN，使其在應(yīng)對中等規(guī)模數(shù)據(jù)(文本數(shù)量百萬級內(nèi)的數(shù)據(jù))時(shí)能充分發(fā)揮傳統(tǒng)機(jī)器學(xué)習(xí)模型和深度學(xué)習(xí)模型的優(yōu)勢，在達(dá)到較好的分類效果的情況下，模型更加精簡。

筆者先梳理主流的語言預(yù)訓(xùn)練模型的發(fā)展歷程，分析當(dāng)前的預(yù)訓(xùn)練語言模型的優(yōu)點(diǎn)和局限性，并針對模型的局限性提出了思考，提出一種簡化的文本分類算法Simplified CNN，此算法在多個(gè)主流數(shù)據(jù)集上進(jìn)行分類效果測試，取得了較好的表現(xiàn)，這可以為后續(xù)此方向的深入研究提供了參考。

1 主流預(yù)訓(xùn)練語言模型

語言中的詞表征、文檔表征與文本分類方法的改進(jìn)一直是自然語言理解(NLU)任務(wù)中的主要研究方向，詞的特征表示是自然語言處理中預(yù)處理環(huán)節(jié)的主要任務(wù)。傳統(tǒng)的詞表征方法如詞袋模型BoW、TF-IDF[10]，是基于語料庫構(gòu)成的詞匯表來進(jìn)行詞統(tǒng)計(jì)，表征的結(jié)果是維度較高、稀疏性較大，且忽略了詞之間的關(guān)系。為解決此問題，Mikolov等人提出的word2vec[1]詞嵌入方法是一種基于統(tǒng)計(jì)的方法，可以有效地學(xué)習(xí)文本語料庫中一個(gè)獨(dú)立的詞的嵌入信息，使不同的詞在具有相似的表達(dá)意義的情況下也具有相似的向量表示，同時(shí)減少了詞向量的維度與稀疏性，可以進(jìn)行簡單的線性代數(shù)運(yùn)算。在word2vec的基礎(chǔ)上，斯坦福大學(xué)Jeffrey Pennington等提出了GloVe[2]詞表征方法，綜合了LSA(Latent Semantic Analysis)[11]的利用全局文本統(tǒng)計(jì)數(shù)據(jù)進(jìn)行潛在的語義分析的特點(diǎn)及Word2Vec捕捉語義和類比學(xué)習(xí)方面的能力，同時(shí)又避免了LDA(Latent Dirichlet Allocation)[12]在大數(shù)據(jù)集下的高計(jì)算成本，在文本的表征方面逐漸成為主流方法。

主流預(yù)訓(xùn)練語言模型的發(fā)展大體分三個(gè)階段(如表1)，第一階段以谷歌公司提出的Word2Vec[1]和斯坦福大學(xué)提出的GloVe[2]為代表；第二階段以谷歌公司的BERT[9]等為代表；第三階段模型是在前面模型的基礎(chǔ)上加以學(xué)習(xí)和改進(jìn)，形成相對比較完備的語言預(yù)訓(xùn)練模型XLNet[7]和MPNet[14]。這些預(yù)訓(xùn)練語言模型大體分為AR(Autoregressive Language Modeling)和AE(Autoencoding Language Modeling)兩種模型。AR語言模型是根據(jù)前面或者后面出現(xiàn)的tokens(將一個(gè)句子劃分為多個(gè)詞，每個(gè)詞為一個(gè)token)來預(yù)測當(dāng)前時(shí)刻的token，這類模型代表有ELMo[13]、GTP[8]，而AE語言模型則是通過上下文信息(也可理解為前面和后面的tokens)來預(yù)測被遮蔽(masked)的token，這類模型代表有BERT[9]、Word2Vec[1]。

表1 主流的預(yù)訓(xùn)練語言模型的發(fā)展

BERT[9]采用MLM模型(Masked Language Modeling)進(jìn)行預(yù)訓(xùn)練，在自然語言處理的多個(gè)子任務(wù)上取得了很好的結(jié)果，但是BERT忽略了預(yù)測詞和上下文詞之間的依賴關(guān)系，假設(shè)被Masked的詞之間相互獨(dú)立，而實(shí)際的語言中每個(gè)詞之間并不具備獨(dú)立性。為解決此問題，XLNet[7]引入PLM模型(Permutation Language Model)，但XLNet仍然沒有充分利用句子的位置信息，在pre-training階段和fine-tuning階段詞表示的位置存在差異。為解決BERT和XLNet的不足，MPNet[14]通過利用預(yù)測標(biāo)記之間的依賴關(guān)系排列語言建模，并以輔助位置的信息作為輸入，使模型獲取到完整的句子，減少位置差異，取得更好的效果。但這些模型的訓(xùn)練參數(shù)較多，訓(xùn)練時(shí)間較長，所需硬件要求也更高。對高校中的研究者探索將經(jīng)典的簡易預(yù)訓(xùn)練模型與簡化的神經(jīng)網(wǎng)絡(luò)模型相結(jié)合，若分類效果能與之相近或存在差距較小則具有的研究價(jià)值較大。

2 神經(jīng)語言模型

Yoav Goldberg提到[15]非線性的神經(jīng)網(wǎng)絡(luò)語言模型相比較傳統(tǒng)語言模型有許多優(yōu)點(diǎn)，如增加上下文語境數(shù)據(jù)的情況下只需要線性增加參數(shù)的數(shù)量，無需人工過多干預(yù)，且具有很好的泛化能力。這種泛化能力有時(shí)在經(jīng)典的統(tǒng)計(jì)語言模型(statistical language models)中并不能很容易的實(shí)現(xiàn)。

多層感知機(jī)MLP(Multi-layer Perceptrons )[15]是由線性模型發(fā)展而來。由于線性分類模型(包括單層感知機(jī))不能解決XOR問題，通過引入多層神經(jīng)元，使神經(jīng)網(wǎng)絡(luò)可以逼近非常復(fù)雜的非線性函數(shù)。

卷積神經(jīng)網(wǎng)絡(luò)(CNN)從2014年Yoon Kim的工作[22]開始運(yùn)用在自然語言處理任務(wù)，Yoon Kim展示了CNN在文本處理任務(wù)上的出色表現(xiàn)，說明CNN不僅適用于計(jì)算機(jī)視覺領(lǐng)域，同樣也可以運(yùn)用于自然語言處理。Ye Zhang等人[21]給出了用于句子情感分析的神經(jīng)網(wǎng)絡(luò)的基本構(gòu)造(如圖1)，基本步驟包括文本特征的提取(卷積操作)、特征的映射(池化操作)及softmax函數(shù)將最終篩選的特征向量歸一化映射到n個(gè)類別上的概率分布。

Ye Zhang等人分析了用于句子分類的卷積神經(jīng)網(wǎng)絡(luò)參數(shù)選擇問題及一些其他建議，對一般的文本分類任務(wù)，CNN的主要參數(shù)配置指導(dǎo)如下：

● 選擇詞嵌入模型(Word2Vec[1]、GloVe[2]等)的分類效果要顯著好于使用類似于獨(dú)熱編碼(one-hot encoding)的詞向量；

● 卷積核的大小對于不同的問題要進(jìn)行相應(yīng)的調(diào)整；

● CNN模型的Dropout操作對于模型的性能影響較小；

● max池化操作一般好于其他類型的池化操作。

分析前人研究工作[1-2,7,13,21,23]的基礎(chǔ)上發(fā)現(xiàn)對詞表征操作(預(yù)訓(xùn)練)，完成了任務(wù)：即通過學(xué)習(xí)已知數(shù)據(jù)的內(nèi)部關(guān)系，先初始化模型的內(nèi)部參數(shù)，再利用帶標(biāo)簽數(shù)據(jù)不斷優(yōu)化輸入?yún)?shù)及整個(gè)模型的參數(shù)，使模型在誤分類損失最小的情況下達(dá)到相對最佳，減少隨機(jī)初始化輸入?yún)?shù)帶來的不穩(wěn)定因素影響。這里初始化參數(shù)可理解為語言模型的共同特性，(基于共同特性參數(shù)，對具體的數(shù)據(jù)任務(wù)學(xué)習(xí)新的特性，更新初始化的參數(shù)，建立一個(gè)特定任務(wù)的語言模型。因此在構(gòu)建分類模型時(shí)，考慮到對嵌入層進(jìn)行參數(shù)調(diào)整，再輸入CNN模型中，模型細(xì)節(jié)在下一節(jié)中描述。

由于CNN在計(jì)算機(jī)視覺(Computer Vision, CV)發(fā)展相對成熟，而預(yù)訓(xùn)練語言模型GloVe[2]和分類模型CNN[22]在自然語言處理方面的研究較少，故筆者設(shè)計(jì)一個(gè)簡化的卷積神經(jīng)網(wǎng)絡(luò)文本分類模型，探究在具體的文本分類任務(wù)中模型的分類效果。

圖1 用于句子分類的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

3 模型設(shè)計(jì)

3.1 神經(jīng)網(wǎng)絡(luò)的分類原理

為簡化神經(jīng)網(wǎng)絡(luò)模型，此前需要理清神經(jīng)網(wǎng)絡(luò)的內(nèi)部訓(xùn)練流程，神經(jīng)網(wǎng)絡(luò)模型優(yōu)化的目標(biāo)為神經(jīng)網(wǎng)絡(luò)的真實(shí)輸出tr(true)與期望輸出yr之間的誤差(或者在達(dá)到設(shè)定的訓(xùn)練次數(shù)時(shí)所達(dá)到的誤差)最小。函數(shù)表達(dá)式為：

(1)

其中，m表示輸出層節(jié)點(diǎn)的個(gè)數(shù)，T=(t1,t2,…,tr)T為網(wǎng)絡(luò)的實(shí)際輸出，Y=(y1,y2,…,yr)T是網(wǎng)絡(luò)的期望輸出。

對于圖2，假設(shè)輸入層有m個(gè)節(jié)點(diǎn)，隱藏層有n個(gè)節(jié)點(diǎn)，輸出層有r個(gè)節(jié)點(diǎn)，輸入層到隱藏層的權(quán)重為wij，隱藏層到輸出層的權(quán)重為φjk，i,j,k分別表示輸入層第i個(gè)節(jié)點(diǎn)、隱藏層第j個(gè)節(jié)點(diǎn)和輸出層第k個(gè)節(jié)點(diǎn)，神經(jīng)網(wǎng)絡(luò)的基本訓(xùn)練過程如下。

圖2 一個(gè)神經(jīng)網(wǎng)絡(luò)示例

1)神經(jīng)網(wǎng)絡(luò)信號傳輸。

隱藏層的輸出：

(2)

式中，fH表示隱藏層使用的激活函數(shù)，xi是來自輸入層的數(shù)據(jù)，假定輸入向量為X=(x1,x2,…,xm)，輸出向量為Y=(y1,y2,…,yn)，輸出層的輸出為：

(3)

其中，表示輸出層使用的激活函數(shù)，是來自隱藏層的輸出。

2)誤差最小化過程。

需要指出的是，誤差最小化的過程是通過不斷修正每層的權(quán)重wij和φjk，使神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出不斷逼近期望輸出，根據(jù)式(3)和式(1)有輸出層的權(quán)值修正值：

(4)

(5)

將當(dāng)前網(wǎng)絡(luò)的權(quán)值用求得的修正值更新：

wij=wij+Δwij，

(6)

φjk=φjk+Δφjk,

(7)

回到式(2)、式(3)，計(jì)算式(4)和式(5)，直至誤差滿足要求或者訓(xùn)練次數(shù)用盡。

3.2 簡化操作

基于以上的認(rèn)識和前人相關(guān)工作[2，15-16，21-22]，筆者嘗試對文本分類模型進(jìn)行簡化以適應(yīng)更多的文本分類的應(yīng)用場景。

3.2.1 訓(xùn)練針對數(shù)據(jù)集的詞嵌入模型

預(yù)訓(xùn)練好的詞嵌入語言模型(GloVe[2])在Wikipedia等大型語料庫(樣本數(shù)量在數(shù)億級別以上)訓(xùn)練得來，因此該詞嵌入的權(quán)重是相對于整個(gè)語料庫而言，對于本文的數(shù)據(jù)集任務(wù)，詞的重要性和GloVe上的詞重要性并不一樣甚至存在較大差別，因此在使用詞嵌入層(Word Embedding Layer)作為神經(jīng)網(wǎng)絡(luò)輸入時(shí)，根據(jù)具體任務(wù)訓(xùn)練詞嵌入層的權(quán)重。在此，使用文獻(xiàn)[1]中的skip-gram模型，word2vec模型中的skip-gram語言建模是用一個(gè)中心詞(center word)去預(yù)測上下文的詞(context word)，即：

P(context│center) ，

(8)

根據(jù)存在于語料庫中所有的[center word, context word]詞對，找出概率最大的一組，即：

(9)

根據(jù)式(1)～式(7)的分析，由于人工神經(jīng)網(wǎng)絡(luò)的信號傳遞本質(zhì)上是一個(gè)損失函數(shù)最小化的過程，因此將詞嵌入模型的神經(jīng)網(wǎng)絡(luò)損失函數(shù)轉(zhuǎn)換為求最小值：

(10)

通過使用一個(gè)三層(input layer, hidden layer, output layer)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的模型來訓(xùn)練該詞嵌入層，使式(10)最小時(shí)，根據(jù)式(6)和式(7)分別得到隱藏層和輸出層的權(quán)值矩陣：，取作為最后的詞嵌入層的權(quán)重。

3.2.2 簡化卷積層

使用單層卷積操作，不采用多通道和多種卷積核，在卷積操作中選用線性修正單元(Rectified linear unit, ReLU)和tanh作為激活函數(shù)，表達(dá)式分別為：

函數(shù)和導(dǎo)數(shù)的圖像如圖3所示，ReLU函數(shù)的作用是將負(fù)值變?yōu)?，正值原樣輸出，這說明在同一時(shí)刻某些神經(jīng)元并不會(huì)被激活，這使神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元具有稀疏激活性，減少了過擬合的影響。對于tanh函數(shù)來說，抑制了過大的值對模型的影響。二者的選擇根據(jù)具體實(shí)驗(yàn)效果而確定。

3.2.3 簡化池化層

使用一個(gè)池化層且使用1-max作為池化標(biāo)準(zhǔn)，層與層之間不進(jìn)行Dropout操作。如圖4示，在CNN網(wǎng)絡(luò)中，神經(jīng)元信號在池化層的向前傳播過程為：

y1=max(xi)i={1,2,5,6} ，

y2=max(xi)i={3,4,7,8} ，

y3=max(xi)i={9,10,13,14} ，

y4=max(xi)i={11,12,15,16} ，

在誤差最小化的過程中(見式(1))，池化層沒有可以優(yōu)化的參數(shù)，因此無權(quán)值調(diào)整操作，主要將求得的權(quán)值向上一層傳遞。如，對于式(9)，假設(shè)x5為最大值，則分別對x1,x2,x5,x6求偏導(dǎo)：

圖3 ReLU激活函數(shù)及其導(dǎo)數(shù)(左)，tanh激活函數(shù)及其導(dǎo)數(shù)(右)

圖4 One-max池化操作

最后將卷積層和該池化層的權(quán)重向前一層傳遞記為ωy，則傳遞的值為1*ωy=ωy。由此得到的模型示意圖如圖5，可以看出卷積層之前為根據(jù)文本預(yù)訓(xùn)練的語言模型，卷積層之后為CNN的4個(gè)基本核心層，即卷積層、池化層、全連接層和softmax輸出層。

綜上，給出算法流程如圖6，可以看出該算法包含了所有關(guān)鍵計(jì)算要素，在具體的執(zhí)行上采用基本的神經(jīng)網(wǎng)絡(luò)思想，無復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)。下一節(jié)將在文本處理常用的數(shù)據(jù)集上，將該模型與主流的算法及當(dāng)前最好的算法進(jìn)行比較，以檢測模型的實(shí)際效果。

圖5 Simplified CNN結(jié)構(gòu)示意圖

算法1:Simplified CNNInput: 詞向量:X=(x1,x2,…,xn)Output:輸入數(shù)據(jù)的類別:Y=(c1,c2,…,ck), k表示類別1Do: 計(jì)算各層的輸入輸出2 計(jì)算輸出層的誤差3 修正網(wǎng)絡(luò)的權(quán)值4Unitl: 滿足精度要求或者達(dá)到訓(xùn)練次數(shù)

3.3 硬件參數(shù)

所有實(shí)驗(yàn)均是在同一臺(tái)計(jì)算機(jī)上完成，計(jì)算機(jī)操作系統(tǒng)為Windows 10，64位，處理器參數(shù)為：Intel(R) Core(TM) i5-7300HQ，CPU的主頻為2.5GHz，使用內(nèi)存為24GB。實(shí)驗(yàn)全部由CPU完成計(jì)算。

4 評價(jià)

4.1 數(shù)據(jù)集

實(shí)驗(yàn)選擇8個(gè)基準(zhǔn)數(shù)據(jù)集(5種)，分別為MR、SST、IMDB、Yelp、Amazon。基本信息如表2，其中，‘Name’表示數(shù)據(jù)集的名稱，‘Class’表示數(shù)據(jù)集包含有多少個(gè)類別，‘Length’表示經(jīng)過處理后平均每條評論數(shù)據(jù)的單詞個(gè)數(shù)，‘Train’表示訓(xùn)練集的樣本個(gè)數(shù)，‘Test’表示測試集樣本的個(gè)數(shù)，‘Dev’表示開發(fā)集的樣本個(gè)數(shù)。

表2 情感分析(SA)常用數(shù)據(jù)集

實(shí)驗(yàn)中開發(fā)集被合并到訓(xùn)練集中，同時(shí)訓(xùn)練集和測試集的劃分采用shuffle操作(隨機(jī)打亂)，避免指定劃分測試集和訓(xùn)練集可能的缺陷。其他指標(biāo)與數(shù)據(jù)的出處論文保持一致，需要注意的是，在處理上述數(shù)據(jù)集的過程中，實(shí)際的樣本數(shù)據(jù)可能與給定的數(shù)據(jù)集的‘Size’存在細(xì)微差異，部分?jǐn)?shù)據(jù)集存在一些數(shù)據(jù)錯(cuò)誤，實(shí)驗(yàn)前進(jìn)行了相應(yīng)的預(yù)處理。

MR數(shù)據(jù)集：Movie Review(MR)數(shù)據(jù)集[18]是收集自IMDB網(wǎng)站的一個(gè)電影評論子集，被開發(fā)用于檢測特定評論的情緒及判斷該情緒的積極性或消極性任務(wù)，共包含10 662條評論，其中消極評論(negative)和積極評論(positive)各5 331條。

SST數(shù)據(jù)集：Stanford Sentiment Treebank(SST)數(shù)據(jù)集[19]是MR數(shù)據(jù)集的擴(kuò)展，具有兩個(gè)版本，分別為SST-5和SST-2，前者為5分類任務(wù)，后者為2分類任務(wù)，5分類任務(wù)分別為強(qiáng)消極、消極、中性、積極、強(qiáng)積極。該數(shù)據(jù)集被劃分為訓(xùn)練集(train set)、測試集(test set)、開發(fā)集(development set)。需要指出的是，SST-1和SST-2是同一個(gè)數(shù)據(jù)集，SST-2是在SST-1數(shù)據(jù)集的基礎(chǔ)上去除情感為中性的(neutral)詞所得，該信息在很多使用此數(shù)據(jù)集的論文中未被提及，易造成誤解。

IMDB數(shù)據(jù)集：Internet Movie Database(IMDB)[24]被開發(fā)用于對二極性情感的電影影評的分析，共有50 000條數(shù)據(jù)，正負(fù)各25 000條，測試集和訓(xùn)練集的比例劃分為1∶1。

Yelp數(shù)據(jù)集[23]：與SST數(shù)據(jù)集類似，Yelp數(shù)據(jù)集包含兩類數(shù)據(jù)，其中一種是二分類評論數(shù)據(jù)，稱之為Yelp-2，另一種是5分類數(shù)據(jù)集，稱之為Yelp-5。Yelp-5含有700 000條評論數(shù)據(jù)，其中訓(xùn)練集650 000條，測試集50 000條，Yelp-2包含598 000條評論數(shù)據(jù)，其中訓(xùn)練集560 000條，測試集38 000條。

Amazon數(shù)據(jù)集：該數(shù)據(jù)集收集亞馬遜商城產(chǎn)品評論的數(shù)據(jù)[25]，包含了從1995年6月至2013年3月份在2 441 053個(gè)產(chǎn)品上6 643 669位用戶共34 686 770條評論，該數(shù)據(jù)集同SST數(shù)據(jù)集一樣，是大規(guī)模數(shù)據(jù)集，但一般取其子集并把其劃分為5分類(Amazon-5)和2分類(Amazon-2)兩個(gè)版本，由于數(shù)據(jù)集較大，包含的評論種類較多，最新的數(shù)據(jù)源鏈接(1)https://nijianmo.github.io/amazon/index.html#subsets。

4.2 實(shí)驗(yàn)結(jié)果分析

選取與本文使用的共同的數(shù)據(jù)集盡可能多的模型進(jìn)行對比實(shí)驗(yàn)，陳列了目前最好的分類結(jié)果SOTA及參考文獻(xiàn)。

將Simplified CNN分類模型在多個(gè)數(shù)據(jù)集上進(jìn)行測試，以分類的準(zhǔn)確率為指標(biāo)：

其中，TP表示對于P類(positive)分正確的個(gè)數(shù)，TN表示N類(negative)分正確的個(gè)數(shù)，對多分類情況與之類似，Accuracy是由分類正確的類別樣本數(shù)除以總樣本數(shù)。結(jié)果如表2，‘*’表示模型在該數(shù)據(jù)集上內(nèi)存溢出，為使實(shí)驗(yàn)順利進(jìn)行，舍棄了出現(xiàn)次數(shù)較少的特征并將測試集與訓(xùn)練集按1∶1劃分(通過增大測試集數(shù)量，減少訓(xùn)練集數(shù)量進(jìn)行分?jǐn)們?nèi)存消耗)，以滿足內(nèi)存要求，‘#’表示該數(shù)據(jù)集對于該模型過大，無法使用‘*’的方式解決內(nèi)存溢出問題。

根據(jù)表3，取出部分?jǐn)?shù)據(jù)集和部分模型進(jìn)行比較，如圖7所示，分析圖7(a)可以發(fā)現(xiàn)，在實(shí)驗(yàn)所取的8個(gè)數(shù)據(jù)集上，前6個(gè)數(shù)據(jù)集雖然和SOTA相差一定的距離，但和LSTM相近甚至優(yōu)于LSTM。隨著數(shù)據(jù)集增大，簡化模型分類效果逐漸逼近SOTA；分析圖7(b)，簡化CNN分類器在中等規(guī)模數(shù)據(jù)集上的分類效果并不弱于深度學(xué)習(xí)復(fù)雜網(wǎng)絡(luò)(CharCNN、BERT、LSTM和SOTA),分析圖7(c)和7(d)可以發(fā)現(xiàn)，簡化的模型在所有比較的模型中處于中等靠前位置，說明其簡化操作并未削減分類性能。

表3 主流數(shù)據(jù)集上的分類效果比較

圖7 不同數(shù)據(jù)集上模型之間的比較

在此基礎(chǔ)上，進(jìn)一步比較模型運(yùn)行時(shí)間，如圖8(分別在6個(gè)數(shù)據(jù)集和8個(gè)數(shù)據(jù)集上比較是因?yàn)镾VM、LR、NB在Amazon數(shù)據(jù)集上內(nèi)存溢出)可以發(fā)現(xiàn)，簡化模型與傳統(tǒng)機(jī)器學(xué)習(xí)模型相比較，運(yùn)行時(shí)間較長，但與LSTM深度學(xué)習(xí)模型相比，運(yùn)行時(shí)間大幅減少。

將圖7、圖8結(jié)合，分析分類效果和模型運(yùn)行時(shí)間的關(guān)系(如圖9)，可以看出，在MR、IMDB、Yelp-2、Yelp-5數(shù)據(jù)集上簡化模型效果優(yōu)于其他模型，同時(shí)在運(yùn)行時(shí)間上與傳統(tǒng)機(jī)器學(xué)習(xí)模型相比并未表現(xiàn)出較大差距。

加入數(shù)據(jù)集的平均句子長度和數(shù)據(jù)集的大小兩個(gè)指標(biāo)進(jìn)一步進(jìn)行對比分析，觀察到模型的分類效果與數(shù)據(jù)集自身特點(diǎn)的關(guān)系，如圖10。對比圖10左右兩張圖，簡化后的模型在中等規(guī)模數(shù)據(jù)集上(幾十萬至幾百萬)分類效果并未下降，在Yelp-5和Amazon-5數(shù)據(jù)集上甚至分別優(yōu)于LSTM和CharCNN，可能是因?yàn)镃harCNN將輸入的文本以單個(gè)字母作為卷積對象，在處理較大數(shù)據(jù)集5分類任務(wù)上會(huì)出現(xiàn)語義提取不足的情況，另外，由Yelp-5到Amazon-5的數(shù)據(jù)集句子長度減少，數(shù)據(jù)量增大，LSTM和簡化模型均提高了分類準(zhǔn)確率，而CharCNN分類效果卻下降了，說明CharCNN不能很好地處理較大數(shù)據(jù)集下多類別的分類任務(wù)，反映了簡化模型更能適應(yīng)多種分類場景。

圖8 模型運(yùn)行時(shí)間比較(單位：h)

圖9 部分?jǐn)?shù)據(jù)集上模型的運(yùn)行時(shí)間和分類效果比較

圖10 部分?jǐn)?shù)據(jù)集上的模型分類準(zhǔn)確率(左)與數(shù)據(jù)集的大小和句子長度(右)

5 結(jié)語

將簡化的卷積神經(jīng)網(wǎng)絡(luò)與詞嵌入預(yù)訓(xùn)練語言模型相結(jié)合的方法達(dá)到了一定的效果，但從實(shí)驗(yàn)結(jié)果來看，仍有待改進(jìn)的地方，尤其是針對不同場景下的數(shù)據(jù)集要進(jìn)行相應(yīng)的模型參數(shù)調(diào)整，并不能用相同的參數(shù)去測試所有的數(shù)據(jù)集。同時(shí)可以看到，分類效果與SOTA存在一定的差距，仍需要探索后續(xù)的改進(jìn)模型。