文/翟劍鋒

計算機和互聯(lián)網(wǎng)技術(shù)的快速發(fā)展給人們的學(xué)習(xí)、生活帶來了極大的便利的同時，也帶來了數(shù)據(jù)爆炸式的增長。面對海量數(shù)據(jù)，信息處理的效率較低，人們往往沒有辦法快速獲得精準數(shù)據(jù)。分析這些海量數(shù)據(jù)可以挖掘出用戶基本的屬性信息和潛在的興趣偏好，給人們提供重大的幫助，用戶畫像及其相關(guān)技術(shù)在這種背景下應(yīng)運而生。如何從數(shù)據(jù)中抽取中所需的用戶特征，構(gòu)建精準的用戶畫像值得進行深入研究。BERT模型對遮擋語言模型和下一個句子預(yù)測任務(wù)同時進行訓(xùn)練，能夠更好的獲取上下文信息，學(xué)習(xí)句內(nèi)和句間關(guān)系。本文研究了基于BERT預(yù)訓(xùn)練模型的用戶畫像相關(guān)問題，在一定程度上能夠解決一詞多義問題，更好的抽取用戶特征并進行實驗分析。

1 相關(guān)工作

用戶畫像是指根據(jù)用戶的屬性、用戶偏好、生活習(xí)慣、用戶行為等信息而抽象出來的標簽化用戶模型。標簽通常是人為規(guī)定的高度精煉的特征標識，如年齡、性別、地域、興趣等。每個標簽分別描述了該用戶的一個維度，各個維度之間相互聯(lián)系，共同構(gòu)成對用戶的整體描述，可以更容易理解用戶，并且更方便計算機處理。如何通過一定的機器學(xué)習(xí)方法從預(yù)處理的數(shù)據(jù)中抽取出所需要用戶特征，是構(gòu)建用戶畫像的關(guān)鍵問題。簡而言之，創(chuàng)建用戶畫像的過程就是依據(jù)所構(gòu)建用戶模型在用戶信息中得到特征并將特征標簽化的過程。

吳桐水和賀亮[1]基于決策樹的航空公司客戶流失分析，為航空公司客戶流失采取改進措施。Slanzi，Balazs 和 Velasquez[2]對預(yù)測Web用戶點擊意圖的方法，用邏輯回歸提升推薦能力。Torres-Valencia，álvarez 和 álvaro[3]將支持向量機作為分類器提取用戶的情感特征。Kuzma 和 Andrejková[4]使用神經(jīng)網(wǎng)絡(luò)模型提取用戶偏好特征。蔡國永和夏彬彬[5]利用卷積神經(jīng)網(wǎng)絡(luò)捕捉文本情感特征和圖像情感特征之間的內(nèi)部聯(lián)系，更準確地實現(xiàn)對圖文融合媒體情感的預(yù)測。付鵬，林政和袁鳳程等[6]提出基于卷積神經(jīng)網(wǎng)絡(luò)的方法解決短文本特征抽取及特征稀疏問題。

圖1：BERT預(yù)訓(xùn)練語言模型

圖2：Transformer編碼器

圖3：自注意力機制

圖4：流程圖

近年來，隨著深度學(xué)習(xí)在自然語言處理領(lǐng)域的快速發(fā)展，Bengio[7]等人提出詞向量的概念，用低維的實向量表征詞語的語義信息，并將語義相似的詞語映射到向量空間中距離相近的位置。大多數(shù)現(xiàn)有的詞向量已經(jīng)獲得了廣泛的應(yīng)用，但大多數(shù)詞嵌入方法都是假定用每個詞能夠用單個向量代表，無法解決一詞多義和同音異議的問題。多原型向量空間模型[8]是將一個單詞的上下文分成不同的組，然后為每個組生成不同的原型向量。遵循這個想法，Huang[9]等人提出了基于神經(jīng)語言模型的多原型詞嵌入。Liu Y[10]等人采用潛在的主題模型為文本語料庫中的每個詞分配主題，并基于詞和主題來學(xué)習(xí)主題詞向量。李雅坤[11]引入詞向量，共同與特征向量構(gòu)成文本特征向量，構(gòu)建基于搜索引擎的用戶畫像。BERT[12]預(yù)訓(xùn)練語言模型通常采用大規(guī)模、與特定任務(wù)無關(guān)的文本語料進行訓(xùn)練，使模型輸出的詞向量表示盡可能全面、準確地刻畫輸入文本的整體信息，為后續(xù)的具體任務(wù)微調(diào)參數(shù)初始值。本文利用基于BERT預(yù)訓(xùn)練語言模型來構(gòu)建用戶畫像，通過TF-IDF值進行詞向量語義加權(quán)得到用戶特征，對用戶特征用隨機森林進行分類并進行實驗分析。

表1：不同算法的分類性能

2 基于BERT的用戶畫像模型描述

2.1 BERT模型

為了獲得更好的詞分布式表示，Google提出的BERT預(yù)訓(xùn)練語言模型在11個NLP任務(wù)上的表現(xiàn)刷新了記錄，充分利用詞左右兩邊的信息，能夠更好的解決一詞多義問題，結(jié)構(gòu)如圖1所示。

為了更好的獲取上下文信息，學(xué)習(xí)句內(nèi)和句間關(guān)系，BERT模型對兩個任務(wù)同時進行訓(xùn)練，分別是遮擋語言模型和下一個句子預(yù)測任務(wù)。遮擋語言模型不同于常見的利用上文預(yù)測下一個單詞或者利用上文和下文預(yù)測中間詞的語言模型，遮擋語言模型隨機遮擋一定比例的單詞，利用其余單詞預(yù)測這些遮擋詞，由于遮擋詞的位置是隨機的，被遮擋的詞可能是句子的任何成分，避免模型利用數(shù)據(jù)集的偏差，從而強迫模型從句子整體學(xué)習(xí)上下文的信息達到雙向編碼的效果。

為了讓模型擁有更好的語義理解能力，同時訓(xùn)練下一個句子預(yù)測任務(wù)來學(xué)習(xí)句子之間的特征。下一個句子預(yù)測任務(wù)可以等效成句子級的二分類問題，輸入兩個句子，判斷第二個句子是不是第一個句子的正確合理的下一句。

BERT預(yù)訓(xùn)練語言模型使用 Transformer 模型的編碼器部分，其每個單元僅由自注意力機制和前饋神經(jīng)網(wǎng)絡(luò)構(gòu)成，一次性讀取整個文本序列，而不是從左到右或從右到左地按順序讀取。這個特征使得模型能夠基于單詞的兩側(cè)學(xué)習(xí)，相當于是一個雙向的功能，可以更直接地捕捉詞與詞之間的關(guān)系，從而使序列的編碼更具整體性，更能代表整個序列的含義。其結(jié)構(gòu)如圖2所示。

Transformer 中最主要模塊的是自注意力部分。注意力機制可以描述為給定一個查詢（Query）和一個鍵值表（Key-Value pairs)，將Query映射到正確輸入的過程，此處的Query、Key、Value和最終輸出都是向量矩陣。輸出往往是一個加權(quán)求和的形式，而權(quán)重則由Query、Key和Value決定，其輸出向量不但包含該詞本身，還包含其它詞與這個詞的關(guān)系，自注意力機制是指使用序列自身和自身進行注意力處理，即Q=K=V，其結(jié)構(gòu)如圖3所示，公式為：

其中 均是輸入字向量矩陣，dk為輸入向量維度。

BERT預(yù)訓(xùn)練模型使用了由多個自注意力機制構(gòu)成的多頭注意力機制，擴展模型專注于不同位置的能力，用于獲取句子級別的語義信息，如公式（2）（3）所示。

時序特征是自然語言的一個重要特征，而自注意力機制無法獲取時序特征，Transformer采用位置嵌入的方式表示時序信息，如公式（4）（5）所示。

2.2 隨機森林

隨機森林是一種基于Bagging的集成學(xué)習(xí)算法，將多棵決策樹進行整合來完成預(yù)測。對于分類問題預(yù)測結(jié)果是所有決策樹預(yù)測結(jié)果的投票；對于回歸問題，是所有決策樹預(yù)測結(jié)果的均值。訓(xùn)練時，通過Bootstrap抽樣來形成每棵決策樹的訓(xùn)練集，則對于一個輸入樣本，有多少棵決策樹就會有多少個分類結(jié)果，隨機森林將投票次數(shù)最多的類別指定為最終的輸出。假設(shè)N表示訓(xùn)練用例（樣本）個數(shù)，M表示特征數(shù)目，隨機森林的構(gòu)建過程如下：

（1）輸入特征數(shù)目m，用于確定決策樹上一個節(jié)點的決策結(jié)果；其中m應(yīng)遠小于M。

（2）從N中以有放回抽樣的方式，取樣N次，形成一個訓(xùn)練集，并用未抽到的用例（樣本）作預(yù)測，評估其誤差。

（3）對于每一個節(jié)點，隨機選擇m個特征，決策樹上每個節(jié)點的決定都是基于這些特征確定的。根據(jù)m個特征，計算其最佳的分裂方式。

（4）每棵樹都會完整成長而不會剪枝；

（5）將生成的多棵決策樹組成隨機森林。對于分類問題，按多棵樹分類器投票決定最終分類結(jié)果；對于回歸問題，由多棵樹預(yù)測值的均值決定最終預(yù)測結(jié)果。

2.3 基于BERT的用戶畫像模型

BERT模型主要分兩個部分，一個是訓(xùn)練語言模型的預(yù)訓(xùn)練部分，另一個是訓(xùn)練具體任務(wù)的fine-tune部分。由于預(yù)訓(xùn)練過程需要耗費大量的運算資源，直接在Google發(fā)布的BERT預(yù)訓(xùn)練模型基礎(chǔ)上對自有的數(shù)據(jù)集進行fine-tune。本文利用基于BERT預(yù)訓(xùn)練語言模型來構(gòu)建用戶畫像，通過TF-IDF值進行詞向量語義加權(quán)得到用戶特征，對用戶特征用隨機森林進行分類，模型大體框架如圖4所示。

3 實驗結(jié)果與分析

實驗數(shù)據(jù)集來源于中國計算機學(xué)會組織的大數(shù)據(jù)競賽。實驗數(shù)據(jù)包括10萬條，提供用戶歷史一個月的查詢詞與用戶的人口屬性標簽（包括性別、年齡、學(xué)歷）作為訓(xùn)練數(shù)據(jù)，對新增用戶的人口屬性，即年齡、性別、學(xué)歷的判斷。

Google 提供的預(yù)訓(xùn)練語言模型分為兩種，兩種模型網(wǎng)絡(luò)結(jié)構(gòu)相同，實驗中采用的是BERT-Base，默認使用12頭注意力機制的Transformer，預(yù)訓(xùn)練詞向量長度為768維，最大序列長度為128，每批次大小為64，學(xué)習(xí)率為5×10-5。

評價指標采用查準率（P），用于表示模型對樣本分類的正確比率、召回率（R）用于表明模型對樣本的識別程度。將基于BERT的方法同Word2Vec詞向量、LDA+Word2Vec詞向量的方法進行比較，三種模型都使用隨機森林分類器對用戶的基本屬性進行分類，本文采用的方法的各項評價指標都要高于其它兩種方法，具體如表1所示。

4 結(jié)束語

本文研究了基于BERT預(yù)訓(xùn)練模型的用戶畫像相關(guān)問題，BERT模型對遮擋語言模型和下一個句子預(yù)測任務(wù)同時進行訓(xùn)練，能夠更好的獲取上下文信息，學(xué)習(xí)句內(nèi)和句間關(guān)系。相比于傳統(tǒng)的詞向量，BERT在一定程度上能夠解決一詞多義問題，更好的抽取用戶特征。實驗表明，基于BERT預(yù)訓(xùn)練模型在處理用戶畫像上能夠達到較好的效果。由于數(shù)據(jù)集中文本的內(nèi)容與用戶屬性存在一定的偏差，數(shù)據(jù)中的噪聲較大，數(shù)據(jù)存在不平衡，需要進一步提高用戶畫像的分類精度。