3.文本分类——textCNN模型

---

一、 简介

TEXTCNN是由Yoon Kim在论文(2014 EMNLP) Convolutional Neural Networks for Sentence Classification中提出的，其主要思想是将不同长度的短文作为矩阵输入，使用多个不同size的filter去提取句子中的关键信息（类似于多窗口大小的ngram），并用于最终的分类。

二、 模型结构

TextCNN的结构分为：嵌入层、卷积层、池化层。

2.1 嵌入层

该层使用词向量，由word2vec预训练好。由于每个词都可以表示成一个词向量的形式，所以对于实验数据集中的所有词条，可以得到一个嵌入矩阵 $M$，该矩阵 $M$的每一行都是一个词向量。这个嵌入矩阵 $M$可以使静态的，即固定不变。也可以是非静态的，即根据反向传播进行更新。

数据量较大：可以直接随机初始化embeddings，然后基于语料通过训练模型网络来对embeddings进行更新和学习。

数据量较小的时候使用静态的：可以利用外部语料来预训练(pre-train)词向量，然后输入到Embedding层，用预训练的词向量矩阵初始化embeddings。（通过设置weights=[embedding_matrix]）。使用预训练的词向量，即利用word2vec、fastText或者Glove等词向量工具，在开放领域数据上进行无监督的学习，获得词汇的具体词向量表示方式，拿来直接作为输入层的输入，并且在TextCNN模型训练过程中不再调整词向量， 这属于迁移学习在NLP领域的一种具体的应用。

2.2 卷积层

输入一个句子，首先进行分词，假设得到 $s$个单词。然后根据已得到的嵌入矩阵 $M$，可以整合得到词向量。假设词向量有 $d$维。那么对于输入的句子，可以得到一个 $s$行 $d$列的矩阵 $A \in R^{s \times d}$。

接下来，将矩阵 $A$视为一张图像，使用卷积神经网络去提取 $A$的特征。在这里，使用一维卷积的理由是：一个句子中相邻的单词的关联性总是比较高的。卷积核的宽度采用的是词向量的维度 $d$，高度是一个可以设置的超参数。

现在假设卷积核是一个宽为 $d$高为 $h$的矩阵 $w$，那么 $w$就有 $d*h$个参数需要被更新。对于一个句子有矩阵 $A \in R^{s \times d}$。 $a[i:j]$表示 $A$的第 $i$行第 $j$列。卷积操作可表示为:
${o_i} = w \cdot A[i:i + h - 1],i = 1,2,...,s - h + 1$

然后叠加上偏置 $b$，并使用激活函数 $f$激活，得到所需特征，公式为：
${c_i} = f({o_i} + b)$

对于一个卷积核，可以得到特征 $c \in {R^{s - h + 1}}$ ，合计 $s - h + 1$个特征。具体实验为了得到更加丰富的特征语义表达，可以使用多个不同高度的卷积核。

2.3 池化层

使用不同尺寸的卷积核，可得不一样大小的特征，称为Feature Map。为了最后特征提取，我们需要使它们的维度相同，做法是对每个特征图用池化函数。最常用的方法就是1-max pooling，提取出feature map中的最大值。这样做就可以令每一个卷积核得到的特征是一个值。

2.4 全连接层

对所有卷积核都使用：1-max pooling，再级联起来，可得最终的特征向量，此处可用 dropout 以防过拟合。并在全连接层上添加l2正则化参数。

2.5 softmax层

将全连接层的输出使用softmax函数，获取文本分到不同类别的概率。

如果是训练的话，此时便会根据预测label以及实际label来计算损失函数, 计算出softmax 函数,max-pooling 函数, 激活函数以及卷积核函数 四个函数当中参数需要更新的梯度, 来依次更新这四个函数中的参数，完成一轮训练 。

如果是预测的话，到这里整个textCNN的流程遍结束了。

为了便于理解，下面对上述模型结构做一个实例化阐述。如图示为TextCNN的模型结构。

在这里，word embedding的维度是5，对于这个句子“I am very good！”，可转换为如图中所示的矩阵 $A \in {R^{5 \times 5}}$。此处有6个卷积核，尺寸分别为： $(2 \times 5),(3 \times 5),(4 \times 5)$，每一个尺寸各设有两个。

矩阵A分别和以上对应的卷积核执行卷积操作，再使用激活函数来激活。这样每一个卷积核都得到了特征向量(feature maps)。

使用1-max pooling，提取每个feature map的最大值，然后级联，得到最终的特征表达。然后将特征输入到softmax layer进行分类, 在这层可以用正则化操作( L2-regulariation)。

三、textCNN总结

• textCNN的流程：先将文本分词做embeeding得到词向量, 将词向量经过一层卷积,一层max-pooling, 最后将输出外接softmax 来做n分类。

• textCNN 的优势：模型简单, 训练速度快，效果不错。

• textCNN的缺点：模型可解释型不强，在调优模型的时候，很难根据训练的结果去针对性的调整具体的特征，因为在textCNN中没有类似gbdt模型中特征重要度(feature importance)的概念, 所以很难去评估每个特征的重要度。

四、实现

详情参考博客：https://www.cnblogs.com/ModifyRong/p/11442595.html

五、参考

1. https://www.cnblogs.com/ModifyRong/p/11319301.html
2. http://www.aclweb.org/anthology/D14-1181