基于Word2Vec與LSTM病歷文本分類研究

王 捷，陳 超，周海權(quán)，舒德勝，黃 豪

（四川輕化工大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院，宜賓 644000）

0 引言

互聯(lián)網(wǎng)的不斷發(fā)展使得互聯(lián)網(wǎng)信息量急劇增加，文本作為主流的信息承載方式，擁有巨大的潛在價(jià)值。在醫(yī)療診斷方面，電子病歷作為有效的患者病情描述媒介，通過(guò)文本自動(dòng)分類技術(shù)實(shí)現(xiàn)非結(jié)構(gòu)化電子病歷文本數(shù)據(jù)的規(guī)范化，利用文本挖掘技術(shù)挖掘描述數(shù)據(jù)的有效信息并對(duì)病情類別自動(dòng)分類，能夠有效減少當(dāng)前醫(yī)療系統(tǒng)的壓力，具有較好的社會(huì)效益。

近些年來(lái)，科研人員對(duì)文本分類算法研究不斷深入，產(chǎn)生了很多有效的文本分類方法，Zhang 等［1］利用獨(dú)熱表示方法（one-hot representation）把文本表示為向量，通過(guò)支持向量機(jī)與反饋神經(jīng)網(wǎng)絡(luò)結(jié)合對(duì)文本分類；Paccanaro 等［2］提出詞嵌入模型（word embedding）；龔靜等［3］使用一種對(duì)ti-idf 算法加權(quán)的方式來(lái)提取相關(guān)特征，隨后使用樸素貝葉斯網(wǎng)絡(luò)對(duì)特征分類；豆孟寰［4］使用n-gram 統(tǒng)計(jì)語(yǔ)言模型對(duì)文本進(jìn)行分類；Bengio等［5］提出了用神經(jīng)網(wǎng)絡(luò)的方式來(lái)構(gòu)建語(yǔ)言模型。但是對(duì)于數(shù)據(jù)稀疏以及數(shù)據(jù)之間相似度比較大的數(shù)據(jù)集，采用上述方法會(huì)導(dǎo)致一定程度的精度損失。Lilleberg 等［6］利用Word2Vec 提取相關(guān)語(yǔ)義，然后使用SVM 進(jìn)行文本分類，但是SVM 的訓(xùn)練速度受數(shù)據(jù)量的影響較大，有一定的局限性。

RNN 引入循環(huán)核的概率，對(duì)于處理上下文聯(lián)系較大的數(shù)據(jù)有一定的優(yōu)勢(shì)，而中文文本就完美符合該特征，同時(shí)LSTM［7］作為RNN 的衍生，在RNN［8］的基礎(chǔ)上添加了門控神經(jīng)單元，有效地避免RNN 在更新下一次輸入時(shí)由于時(shí)間間隔太長(zhǎng)導(dǎo)致特征丟失而帶來(lái)的模型梯度問(wèn)題，具有更加有效的記憶功能。

本文在上述基礎(chǔ)上，使用Word2Vec 處理文本得到下一步的向量輸入，同時(shí)使用LSTM 分類算法來(lái)對(duì)病歷文本進(jìn)行分類。

1 研究方法

1.1 基于WWoorrdd2VVeecc訓(xùn)練詞向量

Word2Vec 采用了Hierarchical Softmax 或Negative Sampling 兩種技術(shù)來(lái)提高訓(xùn)練詞向量的性能，本文采用的是基于Hierarchical Softmax 的Skip-Gram模型，訓(xùn)練模式選用CBOW 模型。

該模型包含三層，分別是輸入層、投影層以及輸出層，輸入層包含2c個(gè)長(zhǎng)度相同的詞向量組成作為模型的輸入，投影層將輸入層輸入的詞向量累加求和得到均值Xw。輸出層是用哈夫曼樹(shù)構(gòu)建的，其中白色葉子節(jié)點(diǎn)對(duì)應(yīng)的是詞匯列表當(dāng)中的詞，藍(lán)色葉子結(jié)點(diǎn)的作用相當(dāng)于深度神經(jīng)網(wǎng)絡(luò)（DNN）當(dāng)中隱含層到輸出層的映射函數(shù)W′。相比較于傳統(tǒng)DNN 網(wǎng)絡(luò)模型，Word2Vec 有以下改進(jìn)：首先去除了隱含層，隱含層的作用是其激活函數(shù)對(duì)于處理非線性十分擅長(zhǎng)，但文本數(shù)據(jù)是強(qiáng)線性相關(guān)的，去除隱含層有助于簡(jiǎn)化模型結(jié)構(gòu)；其次是降低了模型計(jì)算量，使用哈夫曼［9］替換了原DNN 當(dāng)中的softmax，在哈夫曼樹(shù)當(dāng)中，不需要計(jì)算非葉子節(jié)點(diǎn)代表的向量，只需要計(jì)算在尋找目標(biāo)節(jié)點(diǎn)時(shí)經(jīng)過(guò)路徑上存在的節(jié)點(diǎn)。

圖1 Word2Vec模型結(jié)構(gòu)

1.2 計(jì)算文本向量

文本庫(kù)當(dāng)中的文本長(zhǎng)度分布在15～300個(gè)詞之間，將Word2Vec 訓(xùn)練出來(lái)的每個(gè)詞的詞向量相加然后求平均值，再采用tf-idf、bag-of-words模型對(duì)文本進(jìn)行分類，最后得到結(jié)果向量。bag-of-words 模型統(tǒng)計(jì)文本集當(dāng)中出現(xiàn)的詞的頻率，詞每出現(xiàn)一次就把字典當(dāng)中對(duì)應(yīng)詞所表示的數(shù)值加1，例如｛“感冒”“發(fā)燒”“胸悶”“頭痛”“牙疼”｝這個(gè)字典，那么文檔“我今天好像發(fā)燒了，頭痛，是不是感冒了”可以表示為［1，1，0，0，1，0］。而tf-idf 模型在前者的基礎(chǔ)上為關(guān)鍵詞添加權(quán)重，例如在電子病歷文本處理當(dāng)中“頭痛”“不舒服”等都是描述癥狀詞，但是“頭痛”所表達(dá)的含義明顯對(duì)模型能夠準(zhǔn)確分類更加有益，其具體公式如（1）所示。

其中：N表示的是所有文本數(shù)量，Nt表示的是含有詞t的文本數(shù)量，但是這兩個(gè)模型的缺點(diǎn)是對(duì)于語(yǔ)義相似詞的處理不恰當(dāng)，例如“頭疼”與“頭痛”這兩個(gè)詞在語(yǔ)義上完全相似，但是通過(guò)tf-idf 與bag-of-words 模型表示出來(lái)的空間向量卻相距甚遠(yuǎn)，對(duì)最終模型的準(zhǔn)確度有一定的影響。

1.3 LLSSTTMM分類算法模型

在深度學(xué)習(xí)領(lǐng)域當(dāng)中,“長(zhǎng)期依賴”的問(wèn)題普遍存在，例如典型的RNN 模型，該問(wèn)題產(chǎn)生的主要原因是當(dāng)前神經(jīng)元迭代的次數(shù)過(guò)多，導(dǎo)致距離當(dāng)前時(shí)間點(diǎn)較長(zhǎng)時(shí)間片的文本特征被覆蓋，進(jìn)而導(dǎo)致模型產(chǎn)生梯度問(wèn)題，無(wú)法準(zhǔn)確地表示文本信息。LSTM作為RNN的變體，引入了門（gate）機(jī)制來(lái)控制模型特征的流通和損失，從而可以有效避免“長(zhǎng)期依賴的問(wèn)題”。

2 實(shí)驗(yàn)結(jié)果分析

本數(shù)據(jù)集包含50000文檔數(shù)量，按照種類標(biāo)簽均勻分布為5 份，在這里采用交叉驗(yàn)證的方法，文本分類算法使用LSTM 算法，隨后分別采用Word2Vec、tf-idf、bag-of-words 模型提取文本向量作為L(zhǎng)STM 的輸入，由結(jié)果可知，基于Word2Vec 與LSTM 的文本表示方法的精確率、召回率以及正確率均高于其它兩種方法。

接下來(lái)，繼續(xù)使用Word2Vec 提取文本向量作為模型輸入，然后分別使用支持向量機(jī)（SVM）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）、長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）分類算法進(jìn)行結(jié)果對(duì)比，SVM 求解的是二次規(guī)劃問(wèn)題，在這里使用梯度下降的方式來(lái)獲取最佳SVM 參數(shù)，CNN 的特點(diǎn)在于它的局部感知機(jī)制以及權(quán)值共享機(jī)制，在實(shí)驗(yàn)中，卷積層與池化層包含的神經(jīng)元個(gè)數(shù)為256個(gè)，全連接層的神經(jīng)元個(gè)數(shù)設(shè)置為病歷文本種類的個(gè)數(shù)用于文本分類，實(shí)驗(yàn)分別采用準(zhǔn)確率與損失率作為模型評(píng)估指標(biāo)，模型迭代次數(shù)定為10次，其表示如圖2和圖3所示。

圖2 模型準(zhǔn)確率

圖3 模型損失率

如圖2、圖3 以及表1 所示，基于Word2Vec與LSTM 模型的文本分類的準(zhǔn)確率最高，損失率也達(dá)到最小，現(xiàn)實(shí)中深度學(xué)習(xí)網(wǎng)絡(luò)CNN 模型能夠自動(dòng)提取模型特征，對(duì)于較復(fù)雜特征的自學(xué)習(xí)能力高，效率也有保障。長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)LSTM 模型的記憶功能更加有利于相鄰位置的信息重構(gòu)，對(duì)于處理音頻、文本等序列化數(shù)據(jù)表現(xiàn)良好，在自然語(yǔ)言方向應(yīng)用廣泛。表1的數(shù)據(jù)也可以充分證明LSTM 在處理文本分類當(dāng)中的有效性。

表1 基于不同分類算法在不同集合上的分類結(jié)果

3 結(jié)語(yǔ)

本文構(gòu)建了一種基于Word2Vec+LSTM 的文本分類模型，首先在訓(xùn)練詞向量方面，為了解決文本稀疏問(wèn)題以及文本相似問(wèn)題選取Word2Vec 模型訓(xùn)練文本向量作為模型輸入，通過(guò)與tf-idf 模型以及bag-of-words 模型進(jìn)行比較，發(fā)現(xiàn)Word2Vec 模型在解決文本稀疏以及相似度較高的問(wèn)題上表現(xiàn)優(yōu)異。為了解決模型在訓(xùn)練過(guò)程中由于“長(zhǎng)期依賴”而導(dǎo)致的梯度問(wèn)題，本文采用長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)LSTM，作為RNN的一個(gè)分支，它在RNN 的基礎(chǔ)上添加了門控神經(jīng)單元，能夠根據(jù)設(shè)定值有選擇地選取下一個(gè)時(shí)間片輸入的文本向量，實(shí)驗(yàn)與CNN 以及SVM進(jìn)行比對(duì)，結(jié)果顯示W(wǎng)ord2Vec+LSTM 模型在表現(xiàn)上明顯優(yōu)于其它模型。因此，基于Word2Vec+LSTM 的文本分類模型在電子病歷文本分類方面有一定的實(shí)用價(jià)值，能夠有效提高醫(yī)療系統(tǒng)在電子病歷歸檔、分類等相關(guān)方面的處理效率。

本文所使用的文檔標(biāo)簽是通過(guò)相關(guān)人員進(jìn)一步處理篩選而來(lái)，所以主觀性較強(qiáng)，因此文本分類結(jié)果可能存在爭(zhēng)議性以及不確定性等問(wèn)題，有待后續(xù)改進(jìn)。