摘 要：意圖識別是自然語言處理中一個重要部分。在人工智能熱潮前，對于文字信息特征提取的方法非常有局限性，數(shù)據(jù)分析中文字信息往往被舍去。在深度神經(jīng)網(wǎng)絡(luò)取得突破后，自然語言處理向前跨越了一大步。意圖識別就是其中一個重要應(yīng)用，它通過某人一段評論或一段話識別其意圖。本文在卷積神經(jīng)網(wǎng)絡(luò)模型基礎(chǔ)上，加入注意力機制，將正確率從60%提升到了63.8%。

關(guān)鍵詞：意圖識別;注意力機制;卷積神經(jīng)網(wǎng)絡(luò);GRU網(wǎng)絡(luò)

隨著人工智能的興起，文本數(shù)據(jù)挖掘受到了人們的廣泛關(guān)注。文本的情感分析、意圖識別是其中重要的應(yīng)用。識別語言中的意圖，難點在于如何提取句子中的特征。Harris Z S提出的Bag-of-Words模型，有三個問題：一是喪失了詞語之間先后順序信息;二是每個句子中都有很多無用詞語，對建模造成干擾;三是語言中詞的個數(shù)有很多，在建模時存在維數(shù)爆炸和矩陣稀疏問題。Kim Y首次將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用在文本分類上，是卷積神經(jīng)網(wǎng)絡(luò)在自然語言中的有效應(yīng)用。

一、研究設(shè)計

（一）模型建立

對文字進行分析處理，首先要將文字轉(zhuǎn)化成可以計算的數(shù)字，然后才能建模分析。先定義一個漢字字典，本文采用的是15000字的漢字字典，幾乎涵蓋所有簡體字。將每個字按照某種順序轉(zhuǎn)化成獨熱編碼，也就是一個由0-1組成的長度為15000的向量，在各自的維度上為1，其他維度都為0。通過獨熱編碼與映射矩陣Mi，j相乘可以得到各自的k維向量（見圖1），例如“下”字映射后的向量為M1，j。M為模型的參數(shù)，最初是給定的隨機值。這個映射矩陣的好處在于降低了維度和獨熱編碼的稀疏性。

模型的主體結(jié)構(gòu)是Kim Y的卷積結(jié)構(gòu)的變形。V∈Rk是一個k維的矩陣（見圖2），這個矩陣是通過Mi，j矩陣映射而來，每個字都對應(yīng)了自己的一個向量Vi。相比于Kim Y直接進行卷積的方式，本文加入了注意力機制。V1不再完全由映射矩陣得到，而是與整個句子中的每個字都進行了相似度的計算，通過加權(quán)和的方式，V1得到了重新的表征。這樣做的好處在于每個字都包含了句子的部分信息，并且不同的字對于句子中的不同部分關(guān)注程度不一樣，每個字都更加關(guān)注與自己相似的部分，向量的表達能力更強。經(jīng)過了注意力機制之后，相比于Kim Y的單層卷積，本文采用了3種不同的卷積核，分別在相鄰的3個字、4個字和5個字進行了卷積和池化運算，再將他們的結(jié)果進行拼接，通過一個全連接進行分類輸出，計算模型的損失。最終的損失函數(shù)采用的是一個交叉熵的變形，多分類的交叉熵只用了標簽為1的那個維度上的值與1進行比較來計算損失，在其他維度上的損失都是0，不參與損失計算的。本文的損失函數(shù)將其他維度的損失與0進行比較，同樣參與了損失的計算。

n表示一個batch的數(shù)量，m表示類別的數(shù)量，樣本進入模型經(jīng)過最后一層輸出全連接后為一個大小為[n，m]的矩陣。m列中，當樣本標簽為真的那一列，j值為1，其他列的j值都為0，是一個樣本在各個類別的得分，經(jīng)過softmax函數(shù)后得到的得分分布。S是對正確類別的一個微小懲罰因子。loss計算的是一個batch下的平均損失。

（二）參數(shù)設(shè)定

字向量維度設(shè)置為512維。句子長度設(shè)置為64個字，大于64個字的句子進行截斷處理，小于64個字的句子padding到64個字。卷積核選用3*3、4*4和5*5方陣，卷積核深度為128，池化層采用最大值池化。懲罰因子s取0.2。為了提高模型泛化能力，損失函數(shù)中加入了參數(shù)的L2范數(shù)正則項。

二、實驗過程

本文的數(shù)據(jù)來源于XXX公司智能客服業(yè)務(wù)線上的真實數(shù)據(jù)，通過對用戶的真實提問進行意圖分類標注，并經(jīng)過去重和簡單預處理處理，得到3w條共197個類別數(shù)據(jù)。數(shù)據(jù)集存在兩個方面的問題：一是線上真實數(shù)據(jù)的噪音會比較大，并且分布非常不均衡，存在一些類別有上千條數(shù)據(jù)，另一些類別只有幾十條數(shù)據(jù)的情況。二是人工標注的時候會出現(xiàn)統(tǒng)計誤差，對模型性能存在一定的影響。數(shù)據(jù)采用隨機抽樣的方式選取了90%的數(shù)據(jù)作為訓練集，剩下的10%的數(shù)據(jù)作為測試集。句子長度的選取上，既要考慮到客服系統(tǒng)大多數(shù)用戶提問時字數(shù)的分布情況，又要考慮到模型的性能，最終長度采用了64個字。

在最初的試驗中，本文采用的是分詞的預處理的方式。映射矩陣為詞向量的映射矩陣。詞對于句子來說更具有意義，就像一個“下”字，根本看不出句子的意圖，而“下載”則已經(jīng)具備了基本的意義。但是從試驗的結(jié)果來看，字向量的準確率往往比詞向量要高2%-3%。并且字向量的擴展性能更加強大，因為常用詞的個數(shù)遠遠大于字的個數(shù)，15000個字幾乎可以涵蓋所有的字，但是即使只是常用詞都已經(jīng)是十幾萬了。因此，在測試集中的部分詞語在訓練集中是沒有出現(xiàn)過的，只能用unknown表示，這樣就降低了模型的泛化能力。在卷積過濾器Filter的選擇上，嘗試了在3個Filter的基礎(chǔ)上繼續(xù)增加，實驗結(jié)果表明無法繼續(xù)提高模型的準確性?？赡艿脑蚴荈ilter增加導致參數(shù)的增加相對于3萬多個樣本過多，因此繼續(xù)增加Filter也沒有效果了。懲罰因子分別嘗試了0.1、0.2和0.3，在0.2的時候效果最好，在測試集上能提高1.5%的準確率。

三、結(jié)論

本文選擇了GRU模型和Kim Y論文中的CNN模型作為baseline進行對比。試驗結(jié)果為3次后的平均值（見表1）。GRU模型在處理序列問題上準確率確實比較高，但由于每次計算都依賴于上一次計算結(jié)果，無法并行運算。在Batch數(shù)為64，總訓練次數(shù)為3000次的情況下，花費時間是CNN模型的1.5倍。本文采用模型加入了注意力機制，并且微調(diào)了損失函數(shù)的模型，與CNN對比幾乎沒有增加時間成本，但準確率提高了2.6%，幾乎與GRU持平。通過損失函數(shù)對比圖可以看出，改進后的CNN模型收斂更快，并且在收斂過程中相比于CNN模型更加穩(wěn)定，波動性更小。因此，改進的損失函數(shù)在效果上有所提升。

參考文獻

[1]丁兆云等.微博數(shù)據(jù)挖掘研究綜述[J].計算機研究與發(fā)展，2014，51（4）：691-706.

[2]張仰森等.基于雙重注意力模型的微博情感分析方法[J].清華大學學報：自然科學版，2018，（6）：11-13.

[3]Le Q，Mikolov T.Distributed representations of sentences and documents[C].International conference on machine learning.2014：1188-1196.

作者簡介：

張子軒（1994.01-），男，漢族，燕山大學理學院應(yīng)用統(tǒng)計專業(yè)碩士在讀，主要研究方向：應(yīng)用統(tǒng)計。

（作者單位：燕山大學理學院）