用深度学习（CNN RNN Attention）解决大规模文本分类问题 - 综述和实践
https://zhuanlan.zhihu.com/p/25928551
近來(lái)在同時(shí)做一個(gè)應(yīng)用深度學(xué)習(xí)解決淘寶商品的類目預(yù)測(cè)問題的項(xiàng)目，恰好碩士畢業(yè)時(shí)論文題目便是文本分類問題，趁此機(jī)會(huì)總結(jié)下文本分類領(lǐng)域特別是應(yīng)用深度學(xué)習(xí)解決文本分類的相關(guān)的思路、做法和部分實(shí)踐的經(jīng)驗(yàn)。
業(yè)務(wù)問題描述：
淘寶商品的一個(gè)典型的例子見下圖，圖中商品的標(biāo)題是“夏裝雪紡條紋短袖t恤女春半袖衣服夏天中長(zhǎng)款大碼胖mm顯瘦上衣夏”。淘寶網(wǎng)后臺(tái)是通過樹形的多層的類目體系管理商品的，覆蓋葉子類目數(shù)量達(dá)上萬(wàn)個(gè)，商品量也是10億量級(jí)，我們是任務(wù)是根據(jù)商品標(biāo)題預(yù)測(cè)其所在葉子類目，示例中商品歸屬的類目為“女裝/女士精品>>蕾絲衫/雪紡衫”。很顯然，這是一個(gè)非常典型的短文本多分類問題。接下來(lái)分別會(huì)介紹下文本分類傳統(tǒng)和深度學(xué)習(xí)的做法，最后簡(jiǎn)單梳理下實(shí)踐的經(jīng)驗(yàn)。
一、傳統(tǒng)文本分類方法
文本分類問題算是自然語(yǔ)言處理領(lǐng)域中一個(gè)非常經(jīng)典的問題了，相關(guān)研究最早可以追溯到上世紀(jì)50年代，當(dāng)時(shí)是通過專家規(guī)則（Pattern）進(jìn)行分類，甚至在80年代初一度發(fā)展到利用知識(shí)工程建立專家系統(tǒng)，這樣做的好處是短平快的解決top問題，但顯然天花板非常低，不僅費(fèi)時(shí)費(fèi)力，覆蓋的范圍和準(zhǔn)確率都非常有限。
后來(lái)伴隨著統(tǒng)計(jì)學(xué)習(xí)方法的發(fā)展，特別是90年代后互聯(lián)網(wǎng)在線文本數(shù)量增長(zhǎng)和機(jī)器學(xué)習(xí)學(xué)科的興起，逐漸形成了一套解決大規(guī)模文本分類問題的經(jīng)典玩法，這個(gè)階段的主要套路是人工特征工程+淺層分類模型。訓(xùn)練文本分類器過程見下圖：
整個(gè)文本分類問題就拆分成了特征工程和分類器兩部分，玩機(jī)器學(xué)習(xí)的同學(xué)對(duì)此自然再熟悉不過了
1.1 特征工程
特征工程在機(jī)器學(xué)習(xí)中往往是最耗時(shí)耗力的，但卻極其的重要。抽象來(lái)講，機(jī)器學(xué)習(xí)問題是把數(shù)據(jù)轉(zhuǎn)換成信息再提煉到知識(shí)的過程，特征是“數(shù)據(jù)-->信息”的過程，決定了結(jié)果的上限，而分類器是“信息-->知識(shí)”的過程，則是去逼近這個(gè)上限。然而特征工程不同于分類器模型，不具備很強(qiáng)的通用性，往往需要結(jié)合對(duì)特征任務(wù)的理解。
文本分類問題所在的自然語(yǔ)言領(lǐng)域自然也有其特有的特征處理邏輯，傳統(tǒng)分本分類任務(wù)大部分工作也在此處。文本特征工程分位文本預(yù)處理、特征提取、文本表示三個(gè)部分，最終目的是把文本轉(zhuǎn)換成計(jì)算機(jī)可理解的格式，并封裝足夠用于分類的信息，即很強(qiáng)的特征表達(dá)能力。
1）文本預(yù)處理
文本預(yù)處理過程是在文本中提取關(guān)鍵詞表示文本的過程，中文文本處理中主要包括文本分詞和去停用詞兩個(gè)階段。之所以進(jìn)行分詞，是因?yàn)楹芏嘌芯勘砻魈卣髁６葹樵~粒度遠(yuǎn)好于字粒度，其實(shí)很好理解，因?yàn)榇蟛糠址诸愃惴ú豢紤]詞序信息，基于字粒度顯然損失了過多“n-gram”信息。
具體到中文分詞，不同于英文有天然的空格間隔，需要設(shè)計(jì)復(fù)雜的分詞算法。傳統(tǒng)算法主要有基于字符串匹配的正向/逆向/雙向最大匹配；基于理解的句法和語(yǔ)義分析消歧；基于統(tǒng)計(jì)的互信息/CRF方法。近年來(lái)隨著深度學(xué)習(xí)的應(yīng)用，WordEmbedding + Bi-LSTM+CRF方法逐漸成為主流，本文重點(diǎn)在文本分類，就不展開了。而停止詞是文本中一些高頻的代詞連詞介詞等對(duì)文本分類無(wú)意義的詞，通常維護(hù)一個(gè)停用詞表，特征提取過程中刪除停用表中出現(xiàn)的詞，本質(zhì)上屬于特征選擇的一部分。
經(jīng)過文本分詞和去停止詞之后淘寶商品示例標(biāo)題變成了下圖“ / ”分割的一個(gè)個(gè)關(guān)鍵詞的形式：
夏裝 / 雪紡 / 條紋 / 短袖 / t恤 / 女 / 春 / 半袖 / 衣服 / 夏天 / 中長(zhǎng)款 / 大碼 / 胖mm / 顯瘦 / 上衣 / 夏2）文本表示和特征提取
文本表示：
文本表示的目的是把文本預(yù)處理后的轉(zhuǎn)換成計(jì)算機(jī)可理解的方式，是決定文本分類質(zhì)量最重要的部分。傳統(tǒng)做法常用詞袋模型（BOW, Bag Of Words）或向量空間模型（Vector Space Model），最大的不足是忽略文本上下文關(guān)系，每個(gè)詞之間彼此獨(dú)立，并且無(wú)法表征語(yǔ)義信息。詞袋模型的示例如下：
( 0, 0, 0, 0, .... , 1, ... 0, 0, 0, 0)一般來(lái)說(shuō)詞庫(kù)量至少都是百萬(wàn)級(jí)別，因此詞袋模型有個(gè)兩個(gè)最大的問題：高緯度、高稀疏性。詞袋模型是向量空間模型的基礎(chǔ)，因此向量空間模型通過特征項(xiàng)選擇降低維度，通過特征權(quán)重計(jì)算增加稠密性。
特征提取：
向量空間模型的文本表示方法的特征提取對(duì)應(yīng)特征項(xiàng)的選擇和特征權(quán)重計(jì)算兩部分。特征選擇的基本思路是根據(jù)某個(gè)評(píng)價(jià)指標(biāo)獨(dú)立的對(duì)原始特征項(xiàng)（詞項(xiàng)）進(jìn)行評(píng)分排序，從中選擇得分最高的一些特征項(xiàng)，過濾掉其余的特征項(xiàng)。常用的評(píng)價(jià)有文檔頻率、互信息、信息增益、χ2統(tǒng)計(jì)量等。
特征權(quán)重主要是經(jīng)典的TF-IDF方法及其擴(kuò)展方法，主要思路是一個(gè)詞的重要度與在類別內(nèi)的詞頻成正比，與所有類別出現(xiàn)的次數(shù)成反比。
3）基于語(yǔ)義的文本表示
傳統(tǒng)做法在文本表示方面除了向量空間模型，還有基于語(yǔ)義的文本表示方法，比如LDA主題模型、LSI/PLSI概率潛在語(yǔ)義索引等方法，一般認(rèn)為這些方法得到的文本表示可以認(rèn)為文檔的深層表示，而word embedding文本分布式表示方法則是深度學(xué)習(xí)方法的重要基礎(chǔ)，下文會(huì)展現(xiàn)。
1.2 分類器
分類器基本都是統(tǒng)計(jì)分類方法了，基本上大部分機(jī)器學(xué)習(xí)方法都在文本分類領(lǐng)域有所應(yīng)用，比如樸素貝葉斯分類算法（Na?ve Bayes）、KNN、SVM、最大熵和神經(jīng)網(wǎng)絡(luò)等等，傳統(tǒng)分類模型不是本文重點(diǎn)，在這里就不展開了。
?
二、深度學(xué)習(xí)文本分類方法
上文介紹了傳統(tǒng)的文本分類做法，傳統(tǒng)做法主要問題的文本表示是高緯度高稀疏的，特征表達(dá)能力很弱，而且神經(jīng)網(wǎng)絡(luò)很不擅長(zhǎng)對(duì)此類數(shù)據(jù)的處理；此外需要人工進(jìn)行特征工程，成本很高。而深度學(xué)習(xí)最初在之所以圖像和語(yǔ)音取得巨大成功，一個(gè)很重要的原因是圖像和語(yǔ)音原始數(shù)據(jù)是連續(xù)和稠密的，有局部相關(guān)性，。應(yīng)用深度學(xué)習(xí)解決大規(guī)模文本分類問題最重要的是解決文本表示，再利用CNN/RNN等網(wǎng)絡(luò)結(jié)構(gòu)自動(dòng)獲取特征表達(dá)能力，去掉繁雜的人工特征工程，端到端的解決問題。接下來(lái)會(huì)分別介紹：
2.1 文本的分布式表示：詞向量（word embedding）
分布式表示（Distributed Representation）其實(shí)Hinton 最早在1986年就提出了，基本思想是將每個(gè)詞表達(dá)成 n 維稠密、連續(xù)的實(shí)數(shù)向量，與之相對(duì)的one-hot encoding向量空間只有一個(gè)維度是1，其余都是0。分布式表示最大的優(yōu)點(diǎn)是具備非常powerful的特征表達(dá)能力，比如 n 維向量每維 k 個(gè)值，可以表征??個(gè)概念。事實(shí)上，不管是神經(jīng)網(wǎng)絡(luò)的隱層，還是多個(gè)潛在變量的概率主題模型，都是應(yīng)用分布式表示。下圖是03年Bengio在?A Neural Probabilistic Language Model?的網(wǎng)絡(luò)結(jié)構(gòu)：
這篇文章提出的神經(jīng)網(wǎng)絡(luò)語(yǔ)言模型（NNLM，Neural Probabilistic Language Model）采用的是文本分布式表示，即每個(gè)詞表示為稠密的實(shí)數(shù)向量。NNLM模型的目標(biāo)是構(gòu)建語(yǔ)言模型：
詞的分布式表示即詞向量（word embedding）是訓(xùn)練語(yǔ)言模型的一個(gè)附加產(chǎn)物，即圖中的Matrix C。
盡管Hinton 86年就提出了詞的分布式表示，Bengio 03年便提出了NNLM，詞向量真正火起來(lái)是google Mikolov 13年發(fā)表的兩篇word2vec的文章?Efficient Estimation of Word Representations in Vector Space?和?Distributed Representations of Words and Phrases and their Compositionality，更重要的是發(fā)布了簡(jiǎn)單好用的word2vec工具包，在語(yǔ)義維度上得到了很好的驗(yàn)證，極大的推進(jìn)了文本分析的進(jìn)程。下圖是文中提出的CBOW 和 Skip-Gram兩個(gè)模型的結(jié)構(gòu)，基本類似于NNLM，不同的是模型去掉了非線性隱層，預(yù)測(cè)目標(biāo)不同，CBOW是上下文詞預(yù)測(cè)當(dāng)前詞，Skip-Gram則相反。
除此之外，提出了Hierarchical Softmax 和 Negative Sample兩個(gè)方法，很好的解決了計(jì)算有效性，事實(shí)上這兩個(gè)方法都沒有嚴(yán)格的理論證明，有些trick之處，非常的實(shí)用主義。詳細(xì)的過程不再闡述了，有興趣深入理解word2vec的，推薦讀讀這篇很不錯(cuò)的paper：word2vec Parameter Learning Explained。額外多提一點(diǎn)，實(shí)際上word2vec學(xué)習(xí)的向量和真正語(yǔ)義還有差距，更多學(xué)到的是具備相似上下文的詞，比如“good”“bad”相似度也很高，反而是文本分類任務(wù)輸入有監(jiān)督的語(yǔ)義能夠?qū)W到更好的語(yǔ)義表示，有機(jī)會(huì)后續(xù)系統(tǒng)分享下。
至此，文本的表示通過詞向量的表示方式，把文本數(shù)據(jù)從高緯度高稀疏的神經(jīng)網(wǎng)絡(luò)難處理的方式，變成了類似圖像、語(yǔ)音的的連續(xù)稠密數(shù)據(jù)。深度學(xué)習(xí)算法本身有很強(qiáng)的數(shù)據(jù)遷移性，很多之前在圖像領(lǐng)域很適用的深度學(xué)習(xí)算法比如CNN等也可以很好的遷移到文本領(lǐng)域了，下一小節(jié)具體闡述下文本分類領(lǐng)域深度學(xué)習(xí)的方法。
2.2 深度學(xué)習(xí)文本分類模型
詞向量解決了文本表示的問題，該部分介紹的文本分類模型則是利用CNN/RNN等深度學(xué)習(xí)網(wǎng)絡(luò)及其變體解決自動(dòng)特征提取（即特征表達(dá)）的問題。
1）fastText
fastText 是上文提到的 word2vec 作者 Mikolov 轉(zhuǎn)戰(zhàn) Facebook 后16年7月剛發(fā)表的一篇論文?Bag of Tricks for Efficient Text Classification。把 fastText 放在此處并非因?yàn)樗俏谋痉诸惖闹髁髯龇?#xff0c;而是它極致簡(jiǎn)單，模型圖見下：
原理是把句子中所有的詞向量進(jìn)行平均（某種意義上可以理解為只有一個(gè)avg pooling特殊CNN），然后直接接 softmax 層。其實(shí)文章也加入了一些 n-gram 特征的 trick 來(lái)捕獲局部序列信息。文章倒沒太多信息量，算是“水文”吧，帶來(lái)的思考是文本分類問題是有一些“線性”問題的部分[from項(xiàng)亮]，也就是說(shuō)不必做過多的非線性轉(zhuǎn)換、特征組合即可捕獲很多分類信息，因此有些任務(wù)即便簡(jiǎn)單的模型便可以搞定了。
2）TextCNN
本篇文章的題圖選用的就是14年這篇文章提出的TextCNN的結(jié)構(gòu)（見下圖）。fastText 中的網(wǎng)絡(luò)結(jié)果是完全沒有考慮詞序信息的，而它用的 n-gram 特征 trick 恰恰說(shuō)明了局部序列信息的重要意義。卷積神經(jīng)網(wǎng)絡(luò)（CNN Convolutional Neural Network）最初在圖像領(lǐng)域取得了巨大成功，CNN原理就不講了，核心點(diǎn)在于可以捕捉局部相關(guān)性，具體到文本分類任務(wù)中可以利用CNN來(lái)提取句子中類似 n-gram 的關(guān)鍵信息。
TextCNN的詳細(xì)過程原理圖見下：
TextCNN詳細(xì)過程：第一層是圖中最左邊的7乘5的句子矩陣，每行是詞向量，維度=5，這個(gè)可以類比為圖像中的原始像素點(diǎn)了。然后經(jīng)過有 filter_size=(2,3,4) 的一維卷積層，每個(gè)filter_size 有兩個(gè)輸出 channel。第三層是一個(gè)1-max pooling層，這樣不同長(zhǎng)度句子經(jīng)過pooling層之后都能變成定長(zhǎng)的表示了，最后接一層全連接的 softmax 層，輸出每個(gè)類別的概率。
特征：這里的特征就是詞向量，有靜態(tài)（static）和非靜態(tài)（non-static）方式。static方式采用比如word2vec預(yù)訓(xùn)練的詞向量，訓(xùn)練過程不更新詞向量，實(shí)質(zhì)上屬于遷移學(xué)習(xí)了，特別是數(shù)據(jù)量比較小的情況下，采用靜態(tài)的詞向量往往效果不錯(cuò)。non-static則是在訓(xùn)練過程中更新詞向量。推薦的方式是 non-static 中的 fine-tunning方式，它是以預(yù)訓(xùn)練（pre-train）的word2vec向量初始化詞向量，訓(xùn)練過程中調(diào)整詞向量，能加速收斂，當(dāng)然如果有充足的訓(xùn)練數(shù)據(jù)和資源，直接隨機(jī)初始化詞向量效果也是可以的。
通道（Channels）：圖像中可以利用 (R, G, B) 作為不同channel，而文本的輸入的channel通常是不同方式的embedding方式（比如 word2vec或Glove），實(shí)踐中也有利用靜態(tài)詞向量和fine-tunning詞向量作為不同channel的做法。
一維卷積（conv-1d）：圖像是二維數(shù)據(jù)，經(jīng)過詞向量表達(dá)的文本為一維數(shù)據(jù)，因此在TextCNN卷積用的是一維卷積。一維卷積帶來(lái)的問題是需要設(shè)計(jì)通過不同 filter_size 的 filter 獲取不同寬度的視野。
Pooling層：利用CNN解決文本分類問題的文章還是很多的，比如這篇?A Convolutional Neural Network for Modelling Sentences?最有意思的輸入是在 pooling 改成 (dynamic) k-max pooling ，pooling階段保留 k 個(gè)最大的信息，保留了全局的序列信息。比如在情感分析場(chǎng)景，舉個(gè)例子：
“ 我覺得這個(gè)地方景色還不錯(cuò)，但是人也實(shí)在太多了 ”雖然前半部分體現(xiàn)情感是正向的，全局文本表達(dá)的是偏負(fù)面的情感，利用 k-max pooling能夠很好捕捉這類信息。
3）TextRNN
盡管TextCNN能夠在很多任務(wù)里面能有不錯(cuò)的表現(xiàn)，但CNN有個(gè)最大問題是固定 filter_size 的視野，一方面無(wú)法建模更長(zhǎng)的序列信息，另一方面 filter_size 的超參調(diào)節(jié)也很繁瑣。CNN本質(zhì)是做文本的特征表達(dá)工作，而自然語(yǔ)言處理中更常用的是遞歸神經(jīng)網(wǎng)絡(luò)（RNN, Recurrent Neural Network），能夠更好的表達(dá)上下文信息。具體在文本分類任務(wù)中，Bi-directional RNN（實(shí)際使用的是雙向LSTM）從某種意義上可以理解為可以捕獲變長(zhǎng)且雙向的的 "n-gram" 信息。
RNN算是在自然語(yǔ)言處理領(lǐng)域非常一個(gè)標(biāo)配網(wǎng)絡(luò)了，在序列標(biāo)注/命名體識(shí)別/seq2seq模型等很多場(chǎng)景都有應(yīng)用，Recurrent Neural Network for Text Classification with Multi-Task Learning文中介紹了RNN用于分類問題的設(shè)計(jì)，下圖LSTM用于網(wǎng)絡(luò)結(jié)構(gòu)原理示意圖，示例中的是利用最后一個(gè)詞的結(jié)果直接接全連接層softmax輸出了。
4）TextRNN + Attention
CNN和RNN用在文本分類任務(wù)中盡管效果顯著，但都有一個(gè)不足的地方就是不夠直觀，可解釋性不好，特別是在分析badcase時(shí)候感受尤其深刻。而注意力（Attention）機(jī)制是自然語(yǔ)言處理領(lǐng)域一個(gè)常用的建模長(zhǎng)時(shí)間記憶機(jī)制，能夠很直觀的給出每個(gè)詞對(duì)結(jié)果的貢獻(xiàn)，基本成了Seq2Seq模型的標(biāo)配了。實(shí)際上文本分類從某種意義上也可以理解為一種特殊的Seq2Seq，所以考慮把Attention機(jī)制引入近來(lái)，研究了下學(xué)術(shù)界果然有類似做法。
Attention機(jī)制介紹：
詳細(xì)介紹Attention恐怕需要一小篇文章的篇幅，感興趣的可參考14年這篇paper?NEURAL MACHINE TRANSLATION BY JOINTLY LEARNING TO ALIGN AND TRANSLATE。
以機(jī)器翻譯為例簡(jiǎn)單介紹下，下圖中??是源語(yǔ)言的一個(gè)詞，?是目標(biāo)語(yǔ)言的一個(gè)詞，機(jī)器翻譯的任務(wù)就是給定源序列得到目標(biāo)序列。翻譯??的過程產(chǎn)生取決于上一個(gè)詞??和源語(yǔ)言的詞的表示?（?的 bi-RNN 模型的表示），而每個(gè)詞所占的權(quán)重是不一樣的。比如源語(yǔ)言是中文 “我 / 是 / 中國(guó)人” 目標(biāo)語(yǔ)言 “i / am / Chinese”，翻譯出“Chinese”時(shí)候顯然取決于“中國(guó)人”，而與“我 / 是”基本無(wú)關(guān)。下圖公式,??則是翻譯英文第??個(gè)詞時(shí)，中文第??個(gè)詞的貢獻(xiàn)，也就是注意力。顯然在翻譯“Chinese”時(shí)，“中國(guó)人”的注意力值非常大。
Attention的核心point是在翻譯每個(gè)目標(biāo)詞（或 預(yù)測(cè)商品標(biāo)題文本所屬類別）所用的上下文是不同的，這樣的考慮顯然是更合理的。
TextRNN + Attention 模型：
我們參考了這篇文章?Hierarchical Attention Networks for Document Classification，下圖是模型的網(wǎng)絡(luò)結(jié)構(gòu)圖，它一方面用層次化的結(jié)構(gòu)保留了文檔的結(jié)構(gòu)，另一方面在word-level和sentence-level。淘寶標(biāo)題場(chǎng)景只需要 word-level 這一層的 Attention 即可。
加入Attention之后最大的好處自然是能夠直觀的解釋各個(gè)句子和詞對(duì)分類類別的重要性。
5）TextRCNN（TextRNN + CNN）
我們參考的是中科院15年發(fā)表在AAAI上的這篇文章 Recurrent Convolutional Neural Networks for Text Classification 的結(jié)構(gòu)：
利用前向和后向RNN得到每個(gè)詞的前向和后向上下文的表示：
這樣詞的表示就變成詞向量和前向后向上下文向量concat起來(lái)的形式了，即：
最后再接跟TextCNN相同卷積層，pooling層即可，唯一不同的是卷積層 filter_size = 1就可以了，不再需要更大 filter_size 獲得更大視野，這里詞的表示也可以只用雙向RNN輸出。
?
三、一點(diǎn)經(jīng)驗(yàn)
理論和實(shí)踐之間的Gap往往差異巨大，學(xué)術(shù)paper更關(guān)注的是模型架構(gòu)設(shè)計(jì)的新穎性等，更重要的是新的思路；而實(shí)踐最重要的是在落地場(chǎng)景的效果，關(guān)注的點(diǎn)和方法都不一樣。這部分簡(jiǎn)單梳理實(shí)際做項(xiàng)目過程中的一點(diǎn)經(jīng)驗(yàn)教訓(xùn)。
模型顯然并不是最重要的：不能否認(rèn)，好的模型設(shè)計(jì)對(duì)拿到好結(jié)果的至關(guān)重要，也更是學(xué)術(shù)關(guān)注熱點(diǎn)。但實(shí)際使用中，模型的工作量占的時(shí)間其實(shí)相對(duì)比較少。雖然再第二部分介紹了5種CNN/RNN及其變體的模型，實(shí)際中文本分類任務(wù)單純用CNN已經(jīng)足以取得很不錯(cuò)的結(jié)果了，我們的實(shí)驗(yàn)測(cè)試RCNN對(duì)準(zhǔn)確率提升大約1%，并不是十分的顯著。最佳實(shí)踐是先用TextCNN模型把整體任務(wù)效果調(diào)試到最好，再嘗試改進(jìn)模型。
理解你的數(shù)據(jù)：雖然應(yīng)用深度學(xué)習(xí)有一個(gè)很大的優(yōu)勢(shì)是不再需要繁瑣低效的人工特征工程，然而如果你只是把他當(dāng)做一個(gè)黑盒，難免會(huì)經(jīng)常懷疑人生。一定要理解你的數(shù)據(jù)，記住無(wú)論傳統(tǒng)方法還是深度學(xué)習(xí)方法，數(shù)據(jù) sense 始終非常重要。要重視 badcase 分析，明白你的數(shù)據(jù)是否適合，為什么對(duì)為什么錯(cuò)。
關(guān)注迭代質(zhì)量 - 記錄和分析你的每次實(shí)驗(yàn)：迭代速度是決定算法項(xiàng)目成敗的關(guān)鍵，學(xué)過概率的同學(xué)都很容易認(rèn)同。而算法項(xiàng)目重要的不只是迭代速度，一定要關(guān)注迭代質(zhì)量。如果你沒有搭建一個(gè)快速實(shí)驗(yàn)分析的套路，迭代速度再快也只會(huì)替你公司心疼寶貴的計(jì)算資源。建議記錄每次實(shí)驗(yàn)，實(shí)驗(yàn)分析至少回答這三個(gè)問題：為什么要實(shí)驗(yàn)？結(jié)論是什么？下一步怎么實(shí)驗(yàn)？
超參調(diào)節(jié)：超參調(diào)節(jié)是各位調(diào)參工程師的日常了，推薦一篇文本分類實(shí)踐的論文?A Sensitivity Analysis of (and Practitioners’ Guide to) Convolutional Neural Networks for Sentence Classification，里面貼了一些超參的對(duì)比實(shí)驗(yàn)，如果你剛開始啟動(dòng)文本分析任務(wù)，不妨按文章的結(jié)果設(shè)置超參，怎么最快的得到超參調(diào)節(jié)其實(shí)是一個(gè)非常重要的問題，可以讀讀 蕭瑟的這篇文章?深度學(xué)習(xí)網(wǎng)絡(luò)調(diào)參技巧 - 知乎專欄。
一定要用?dropout：有兩種情況可以不用：數(shù)據(jù)量特別小，或者你用了更好的正則方法，比如bn。實(shí)際中我們嘗試了不同參數(shù)的dropout，最好的還是0.5，所以如果你的計(jì)算資源很有限，默認(rèn)0.5是一個(gè)很好的選擇。
fine-tuning 是必選的：上文聊到了，如果只是使用word2vec訓(xùn)練的詞向量作為特征表示，我賭你一定會(huì)損失很大的效果。
未必一定要 softmax loss： 這取決與你的數(shù)據(jù)，如果你的任務(wù)是多個(gè)類別間非互斥，可以試試著訓(xùn)練多個(gè)二分類器，也就是把問題定義為multi lable 而非 multi class，我們調(diào)整后準(zhǔn)確率還是增加了>1%。
類目不均衡問題：基本是一個(gè)在很多場(chǎng)景都驗(yàn)證過的結(jié)論：如果你的loss被一部分類別dominate，對(duì)總體而言大多是負(fù)向的。建議可以嘗試類似 booststrap 方法調(diào)整 loss 中樣本權(quán)重方式解決。
避免訓(xùn)練震蕩：默認(rèn)一定要增加隨機(jī)采樣因素盡可能使得數(shù)據(jù)分布iid，默認(rèn)shuffle機(jī)制能使得訓(xùn)練結(jié)果更穩(wěn)定。如果訓(xùn)練模型仍然很震蕩，可以考慮調(diào)整學(xué)習(xí)率或 mini_batch_size。
沒有收斂前不要過早的下結(jié)論：玩到最后的才是玩的最好的，特別是一些新的角度的測(cè)試，不要輕易否定，至少要等到收斂吧。
?
四、寫在最后
幾年前校招面阿里時(shí)，一面二面聊的都是一個(gè)文本分類的項(xiàng)目（一個(gè)新浪微博主題分類的學(xué)校課題項(xiàng)目），用的還是文中介紹的傳統(tǒng)的做法。面試時(shí)對(duì)特征項(xiàng)處理和各個(gè)分類器可謂如數(shù)家珍，被要求在白板上寫了好幾個(gè)特征選擇公式，短短幾年傳統(tǒng)做法已經(jīng)被遠(yuǎn)遠(yuǎn)超越，不得不感慨深度學(xué)習(xí)的發(fā)展。
值得感慨的一方面是今天技術(shù)的發(fā)展非常快，故步自封自然是萬(wàn)萬(wàn)萬(wàn)萬(wàn)不可取，深知還有很多理論尚且不懂還要繼續(xù)深讀paper；另一方面，理解理論原理和做好項(xiàng)目間實(shí)際非常有巨大的gap，特別是身處工業(yè)界的同仁們，學(xué)術(shù)圈值得鉆但要把握分寸，如果僅僅追逐技術(shù)深度，不免容易陷入空中閣樓。
最后老規(guī)矩再次安利下我們team的招聘，對(duì)淘寶搜索排序和自然語(yǔ)言處理方向感興趣的同學(xué)歡迎郵件我 qingsong.huaqs@taobao.com，來(lái)淘寶，一起成長(zhǎng)！
以上，感謝閱讀。
轉(zhuǎn)載于:https://www.cnblogs.com/DjangoBlog/p/7372743.html
總結(jié)
以上是生活随笔為你收集整理的用深度学习（CNN RNN Attention）解决大规模文本分类问题 - 综述和实践的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： CPU内核配置（一）：通用内核配置
- 下一篇： 分区脚本(fdisk)