文本分類的一個(gè)大型“真香現(xiàn)場”來了：昨天JayJay的推文《超強(qiáng)文本半監(jiān)督MixText》中告訴大家不要浪費(fèi)沒有標(biāo)注過的數(shù)據(jù)，但還是需要標(biāo)注數(shù)據(jù)的！但今天介紹的paper，文本分類居然不需要任何標(biāo)注數(shù)據(jù)啦！哇，真香！

當(dāng)前的文本分類任務(wù)需要利用眾多標(biāo)注數(shù)據(jù)，標(biāo)注成本是昂貴的。而半監(jiān)督文本分類雖然減少了對(duì)標(biāo)注數(shù)據(jù)的依賴，但還是需要領(lǐng)域?qū)＜沂謩?dòng)進(jìn)行標(biāo)注，特別是在類別數(shù)目很大的情況下。

試想一下，我們?nèi)祟愂侨绾螌?duì)新聞文本進(jìn)行分類的？其實(shí)，我們不要任何標(biāo)注樣本，只需要利用和分類類別相關(guān)的少數(shù)單詞就可以啦，這些單詞也就是我們常說的關(guān)鍵詞。

BUT！我們之前獲取分類關(guān)鍵詞的方式，大多還是需要人工標(biāo)注數(shù)據(jù)、或者人工積累關(guān)鍵詞的；而就算積累了某些關(guān)鍵詞，關(guān)鍵詞在不同上下文中也會(huì)代表不同類別。

那么，有沒有一種方式，可以讓文本分類不再需要任何標(biāo)注數(shù)據(jù)呢？

本文JayJay就介紹一篇來自「伊利諾伊大學(xué)香檳分校韓家煒老師課題組」的EMNLP20論文《Text Classification Using Label Names Only: A Language Model Self-Training Approach》。

這篇論文的最大亮點(diǎn)就是：不需要任何標(biāo)注數(shù)據(jù)，只需利用標(biāo)簽名稱就在四個(gè)分類數(shù)據(jù)上獲得了近90%的準(zhǔn)確率！

為此，論文提出一種LOTClass模型，即Label-name-Only?Text?Classification，LOTClass模型的主要亮點(diǎn)有：

不需要任何標(biāo)注數(shù)據(jù)，只需要標(biāo)簽名稱！?只依賴預(yù)訓(xùn)練語言模型(LM)，不需要其他依賴！

提出了類別指示詞匯獲取方法和基于上下文的單詞類別預(yù)測任務(wù)，經(jīng)過如此訓(xùn)練的LM進(jìn)一步對(duì)未標(biāo)注語料進(jìn)行自訓(xùn)練后，可以很好泛化！

在四個(gè)分類數(shù)據(jù)集上，LOTClass明顯優(yōu)于各弱監(jiān)督模型，并具有與強(qiáng)半監(jiān)督和監(jiān)督模型相當(dāng)?shù)男阅堋?/li>

論文下載：https://arxiv.org/pdf/2010.07245.pdf

代碼開源：https://github.com/yumeng5/LOTClass

本文的組織結(jié)構(gòu)為：

LOTClass總體流程

LOTClass將BERT作為其backbone模型，其總體實(shí)施流程分為以下三個(gè)步驟：

標(biāo)簽名稱替換：利用并理解標(biāo)簽名稱，通過MLM生成類別詞匯；

類別預(yù)測：通過MLM獲取類別指示詞匯集合，并構(gòu)建基于上下文的單詞類別預(yù)測任務(wù)，訓(xùn)練LM模型；

自訓(xùn)練：基于上述LM模型，進(jìn)一步對(duì)未標(biāo)注語料進(jìn)行自訓(xùn)練后，以更好泛化！

下面我們就詳細(xì)介紹上述過程。

第一步：標(biāo)簽名稱替換

在做文本分類的時(shí)候，我們可以根據(jù)標(biāo)簽名稱聯(lián)想到與之相關(guān)聯(lián)的其他關(guān)鍵詞，這些關(guān)鍵詞代表系統(tǒng)類別。當(dāng)然，這就需要我們從一個(gè)蘊(yùn)含常識(shí)的模型去理解每個(gè)標(biāo)簽的語義。很明顯，BERT等預(yù)訓(xùn)練模型就是一個(gè)首選！

論文采取的方法很直接：對(duì)于含標(biāo)簽名稱的文本，通過MLM來預(yù)測其可以替換的其他詞匯。

如上圖，展示了AG新聞?wù)Z料中，體育新聞在不同的上下文中，標(biāo)簽名稱“sports”通過MLM預(yù)測出的可以替換「sports」的詞匯。

具體地，每一個(gè)標(biāo)簽名稱位置通過MLM預(yù)測TOP50最相似的替換詞，然后對(duì)于每一個(gè)類別的標(biāo)簽名稱(Label Name)根據(jù)詞頻大小、結(jié)合停用詞共選取TOP-100，最終構(gòu)建類型詞匯表（Category Vocabulary）。

通過上述方式找出了AG新聞?wù)Z料每一個(gè)類別-標(biāo)簽名稱對(duì)應(yīng)的類別詞匯表，如上圖所示。

第二步：類別預(yù)測

像人類如何進(jìn)行分類一樣，一種直接的方法是：利用上述得到的類型詞匯表，然后統(tǒng)計(jì)語料中類別詞匯出現(xiàn)的次數(shù)。但這種方式存在2個(gè)缺陷：

不同詞匯在不同的上下文中代表不同意思，不是所有在語料中出現(xiàn)的類型詞匯都指示該類型。在第一幅圖中，我們就可以清晰發(fā)現(xiàn)：單詞「sports」在第2個(gè)句子并不代表體育主題。

類型詞匯表的覆蓋范圍有限：在特定上下文中，某些詞匯與類別關(guān)鍵字具有相似的含義，但不包含在類別詞匯表中。

為了解決上述缺陷，論文構(gòu)建了一個(gè)新的MCP任務(wù)——基于遮蔽的類別預(yù)測任務(wù)(Masked Category Prediction,MCP)，如下圖所示：

MCP任務(wù)共分為兩步：

獲取類別指示詞：上述已經(jīng)提到，類別詞匯表中不同的詞匯在不同上下文會(huì)指代不同類別。論文建立了一種查找詞匯指示類別的方法（如上圖左邊所示）：對(duì)于當(dāng)前詞匯，首先通過BERT的MLM任務(wù)預(yù)測當(dāng)前詞匯可替代的TOP50相似詞，然后TOP50相似詞與每個(gè)類別詞匯表進(jìn)行比對(duì)，如果有超過20個(gè)詞在當(dāng)前類別詞匯表中，則選取當(dāng)前詞匯作為該類別下的「類別指示詞」。

進(jìn)行遮蔽類別預(yù)測：通過上一步，遍歷語料中的每一個(gè)詞匯，我們就可得到類別指示詞集合和詞匯所對(duì)應(yīng)的標(biāo)簽。對(duì)于類別指示詞集合中每一個(gè)單詞，我們將其替換為「MASK」然后對(duì)當(dāng)前位置進(jìn)行標(biāo)簽分類訓(xùn)練。

值得注意的是：MASK類別指示詞進(jìn)行類別預(yù)測至關(guān)重要，因?yàn)檫@會(huì)迫使模型根據(jù)單詞上下文來推斷類別，而不是簡單地記住無上下文的類別關(guān)鍵字。通過MCP任務(wù)，BERT將更好編碼類別判斷信息。

第三步：自訓(xùn)練

論文將通過MCP任務(wù)訓(xùn)練好的BERT模型，又對(duì)未標(biāo)注語料進(jìn)行了自訓(xùn)練。這樣做的原因?yàn)?#xff1a;

• 仍有大規(guī)模語料未被MCP任務(wù)利用，畢竟不是每一個(gè)語料樣本含有類別指示詞。
• MCP任務(wù)進(jìn)行類別預(yù)測不是在「CLS」位置，「CLS」位置更利于編碼全局信息并進(jìn)行分類任務(wù)。

論文采取的自訓(xùn)練方式很簡單，如上圖所示，每50個(gè)batch通過軟標(biāo)簽方式更新一次標(biāo)簽類別。

LOTClass表現(xiàn)如何？

為了驗(yàn)證LOTClass的效果，論文在4個(gè)分類數(shù)據(jù)集上與監(jiān)督、半監(jiān)督和弱監(jiān)督進(jìn)行了對(duì)比。

對(duì)于弱監(jiān)督方法，則將整個(gè)訓(xùn)練集作為無標(biāo)注數(shù)據(jù)；對(duì)于半監(jiān)督方法，每個(gè)類別選舉10個(gè)樣本作為標(biāo)注數(shù)據(jù)；對(duì)于監(jiān)督方法，則全部訓(xùn)練集就是標(biāo)注數(shù)據(jù)。

如上圖所示，沒有自訓(xùn)練的LOTClass方法就超過了一眾弱監(jiān)督方法，而利用自訓(xùn)練方法后LOTClass甚至在AG-News上可以與半監(jiān)督學(xué)習(xí)的SOTA——谷歌提出的UDA相媲美了，與有監(jiān)督的char-CNN方法也相差不多啦！自訓(xùn)練self-trainng為何如此強(qiáng)大？我們將在接下來的推文中會(huì)進(jìn)一步介紹。

也許你還會(huì)問：LOTClass相當(dāng)于使用多少標(biāo)注數(shù)據(jù)呢？

如上圖，論文給出了答案，那就是：LOTClass效果相當(dāng)于 每個(gè)類別使用48個(gè)標(biāo)注文檔的有監(jiān)督BERT模型。

總結(jié)與展望：利用標(biāo)簽名稱，真香！

首先對(duì)本文總結(jié)一下：本文提出的LOTClass模型僅僅利用標(biāo)簽名稱，無需任務(wù)標(biāo)注數(shù)據(jù)！在四個(gè)分類數(shù)據(jù)上獲得了近90%的準(zhǔn)確率，與相關(guān)半監(jiān)督、有監(jiān)督方法相媲美！LOTClass模型總體實(shí)施流程分三個(gè)步驟：標(biāo)簽名稱替換，MASK類別預(yù)測，自訓(xùn)練。

本文提出的LOTClass模型只是基于BERT，并沒有采取更NB的LM模型，每個(gè)類別最多使用3個(gè)單詞作為標(biāo)簽名稱，沒有依賴其他工具（如回譯方式）。我們可以預(yù)測：隨著LM模型的升級(jí)，數(shù)據(jù)增強(qiáng)技術(shù)的使用，指標(biāo)性能會(huì)更好！

利用標(biāo)簽名稱，我們是不是還可以暢想一些“真香現(xiàn)場”呢？例如：

• 應(yīng)用于NER任務(wù)：發(fā)現(xiàn)實(shí)體類別下的更多指示詞，如「PERSON」類別；嗯嗯，再好好想象怎么把那套MCP任務(wù)嵌入到NER任務(wù)中吧。
• 與半監(jiān)督學(xué)習(xí)更好協(xié)作：1）沒有標(biāo)注數(shù)據(jù)時(shí)，可以通過LOTClass構(gòu)建初始標(biāo)注數(shù)據(jù)再進(jìn)行半監(jiān)督流程；2）將MCP任務(wù)設(shè)為半監(jiān)督任務(wù)的輔助任務(wù)。

JayJay不說再見，歡迎關(guān)注我的公眾號(hào)《高能AI》，那里是首發(fā)哦～（圖片不全，可直接到微信搜一搜高能AI）

總結(jié)

以上是生活随笔為你收集整理的韩家炜课题组重磅发文：文本分类只需标签名称，不需要任何标注数据！的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。