摘要：本文先介紹文本分類的特點和應(yīng)用，并指出傳統(tǒng)處理方法在文本處理方面的瓶頸及不足之處;然后引入深度學(xué)習(xí)的概念，以卷積神經(jīng)網(wǎng)絡(luò)為例，介紹卷積神經(jīng)網(wǎng)絡(luò)在文本分類中的應(yīng)用，通過從特征詞入手，經(jīng)過卷積-池化-分類等步驟對文本的分類進(jìn)行預(yù)測。結(jié)果表明，卷積神經(jīng)網(wǎng)絡(luò)自動抽取特征的優(yōu)點相對傳統(tǒng)的文本分類方法具有更高效的表現(xiàn)。

關(guān)鍵詞：樸素貝葉斯;深度學(xué)習(xí);卷積神經(jīng)網(wǎng)絡(luò);文本分類

中圖分類號：TP183：文獻(xiàn)標(biāo)識碼：A

0 引言

文本分類是自然語言處理的一個重要方面，利用計算機(jī)手段推斷出給定的文本（句子、文檔等）的標(biāo)簽或標(biāo)簽集合。利用深度學(xué)習(xí)進(jìn)行文本分類和語義判斷是一個新興而充滿前途的研究課題。

傳統(tǒng)的文本分類主要是利用貝葉斯原理，基于上下文之間的文本出現(xiàn)的概率對自然語言進(jìn)行處理。盡管貝葉斯在文本處理方面也非常高效，但其存在“零頻率”和不一定滿足獨立預(yù)測的假設(shè)等方面的缺陷。而使用深度學(xué)習(xí)，完全另辟蹊徑從特征詞入手，經(jīng)過卷積、池化、分類等步驟，自動學(xué)習(xí)和抽取文本特征，對海量文本進(jìn)行快速準(zhǔn)確的分類。

1 深度學(xué)習(xí)簡介

加拿大多倫多大學(xué)教授 Geoffrey Hinton長期堅持神經(jīng)網(wǎng)絡(luò)的研究，但由于當(dāng)時支持向量機(jī)的流行，神經(jīng)網(wǎng)絡(luò)相關(guān)的研究工作遇到了重重阻礙。2006 年，Geoffrey Hinton 在 [1]

提出了一種逐層預(yù)訓(xùn)練的算法，可以有效地初始化Deep Belief Networks（DBN）網(wǎng)絡(luò)，從而

使得訓(xùn)練大規(guī)模、深層數(shù)（上百萬的參數(shù)量）的神經(jīng)網(wǎng)絡(luò)成為可能。在論文中，Geoffrey

Hinton 把深層的神經(jīng)網(wǎng)絡(luò)叫做Deep Neural Network，這一塊的研究也因此稱為 Deep

Learning（深度學(xué)習(xí)）。

80年代時神經(jīng)網(wǎng)絡(luò)的理論研究基本已經(jīng)到位，為什么卻沒能充分發(fā)掘出深層網(wǎng)絡(luò)的巨大潛力？通過對這個問題的討論，本文接下來討論深度學(xué)習(xí)的典型網(wǎng)絡(luò)-卷積神經(jīng)網(wǎng)絡(luò)，這也是層數(shù)可以輕松達(dá)到上百層的一類神經(jīng)網(wǎng)絡(luò)。

2 卷積神經(jīng)網(wǎng)絡(luò)簡介

2.1 卷積神經(jīng)網(wǎng)絡(luò)的特點

卷積神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)的一個典型網(wǎng)絡(luò)，通過充分利用局部相關(guān)性和權(quán)值共享的思想，大大地減少了網(wǎng)絡(luò)的參數(shù)量，從而提高訓(xùn)練效率，更容易實現(xiàn)超大規(guī)模的深層網(wǎng)絡(luò)[1]。2012年，加拿大多倫多大學(xué)Alex Krizhevsky 將深層卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用在大規(guī)模圖片識別挑戰(zhàn)賽ILSVRC-2012上，在ImageNet數(shù)據(jù)集上取得了15.3%的Top-5錯誤率，排名第一，相對于第二名在Top-5錯誤率上降低了10.9%，這一巨大突破引起了業(yè)界強(qiáng)烈關(guān)注，卷積神經(jīng)網(wǎng)絡(luò)迅速成為計算機(jī)視覺領(lǐng)域的新寵，隨后在一系列的任務(wù)中，基于卷積神經(jīng)網(wǎng)絡(luò)的形形色色的模型相繼被提出，并在原有的性能上取得了巨大提升。

2.2 卷積神經(jīng)網(wǎng)絡(luò)的基本原理

在數(shù)字圖像處理中有一種基本的處理方法叫線性濾波[2]。它將待處理的二維數(shù)字看作一個大型矩陣，圖像中的每個像素可以看作矩陣中的每個元素，像素的大小就是矩陣中的元素值。而使用的濾波工具是另一個小型矩陣，這個矩陣就被稱為卷積核。卷積核的大小遠(yuǎn)遠(yuǎn)小于圖像矩陣，具體的計算方式就是對于圖像大矩陣中的每個元素，計算周圍的像素和卷積核對應(yīng)位置的乘積，之后將結(jié)果相加最終得到的終值就是該像素的值，這樣就完成了一次卷積。

如果采用卷積神經(jīng)網(wǎng)絡(luò)來替代以上提到的手寫數(shù)字識別淺層神經(jīng)網(wǎng)絡(luò)，采用三個卷積層，和兩個全連接層，一共只需要13450個參數(shù)，而且識別的準(zhǔn)確率大幅上升。經(jīng)過測試，可由原來的91%上升到98%以上。由此可見，卷積層的參數(shù)量非常少，主要的參數(shù)量集中在全連接層。由于卷積層將輸入特征維度降低很多，從而使得全連接層的參數(shù)量不至于過大，因此通過卷積神經(jīng)網(wǎng)絡(luò)可以顯著降低網(wǎng)絡(luò)參數(shù)量，同時增加網(wǎng)絡(luò)深度，大幅提高了識別的準(zhǔn)確率。

3 卷積神經(jīng)網(wǎng)絡(luò)的在文本分類中的關(guān)鍵技術(shù)介紹

卷積神經(jīng)網(wǎng)絡(luò)可以應(yīng)用在人工智能的很多領(lǐng)域[3]，比如圖像和自然語言處理等等。其結(jié)合特征提取和目標(biāo)訓(xùn)練為一體的模型，能夠很好地利用已有的信息對結(jié)果進(jìn)行反饋訓(xùn)練。對文本識別的卷積神經(jīng)網(wǎng)絡(luò)來說，同樣也是充分利用特征提取時提取的文本特征，來計算文本特征權(quán)重的大小，歸一化處理需要處理的數(shù)據(jù)[4]。這樣使得原來的文本信息抽象成一個向量化的樣本集，之后將樣本集和訓(xùn)練好的模板輸入卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行處理。下面以文本分類為例，說明卷積神經(jīng)網(wǎng)絡(luò)在文本分類中具體的編程方法和步驟。

3.1數(shù)據(jù)集介紹

本文采用名為“AG”的新聞分類數(shù)據(jù)集，該數(shù)據(jù)集是由學(xué)術(shù)社區(qū)ComeToMyHead提供的，從2000多個不同的新聞來源搜集，超過100萬的新聞文章?？捎糜谘芯糠诸悺⒕垲?、信息獲?。╮ank、搜索）等非商業(yè)活動。在此基礎(chǔ)上，Xiang Zhang為了研究需要從中提取了127600樣本，其中抽出120000樣本作為訓(xùn)練集，7600作為測試集。該數(shù)據(jù)集按World、Sport、Business和Sci/Tec進(jìn)行4類劃分。“AG”數(shù)據(jù)集用csv文件格式進(jìn)行存儲，文件分為新聞分類、新聞標(biāo)題、新聞內(nèi)容三列。

3.2 關(guān)鍵技術(shù)介紹

（1）字符（非單詞）文本數(shù)字化的處理

任何一個英文單詞都是由字母構(gòu)成，因此可以簡單地將英文單詞拆分成字母的表示形式，例如hello->[‘h， ‘e ， ‘l ， ‘l， ‘o]， 此時可以使用one-hot 或字符embedding的方式進(jìn)行處理。這樣“hello”這個單詞就被轉(zhuǎn)換成一個[5，n]大小用one-hot表示的矩陣，其中n為所有字符的個數(shù)。然后以[新聞內(nèi)容單詞個數(shù)，最大單詞字符數(shù)，n]的矩陣形式直接把新聞內(nèi)容輸入卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行處理。

（2）解決每個句子文本輸入長度不同的問題

首先找出所有要輸入訓(xùn)練句子的最大長度，把這個作為標(biāo)準(zhǔn)輸入到卷積神經(jīng)的網(wǎng)絡(luò)的固定長度，其余不足這個長度的句子剩下的空位由0進(jìn)行填充。

（3）卷積神經(jīng)網(wǎng)絡(luò)文本分類模型的實現(xiàn)

對文本數(shù)據(jù)集處理完畢后，接著進(jìn)入卷積神經(jīng)網(wǎng)絡(luò)的分類模型設(shè)計。本文采用了一個

5層卷積神經(jīng)網(wǎng)絡(luò)的具體設(shè)計，每層的設(shè)計如下。

a.輸入層

輸入層是句子中的詞語對應(yīng)的one-hot組成的字符矩陣，假設(shè)最長的句子有 n 個詞，每個詞最大的字符序列為k個字符，每個詞從總共t個字符中選取若干字符構(gòu)成，則輸入的句子可以用[n，k，t]三維矩陣來表示。（在CNN中可以看作一副高度為n、寬度為k的深度為t的圖像）。

b.卷積層

輸入層通過卷積操作得到若干個Feature Map，卷積窗口的大小為 h ×t ，其中 h 表示縱向詞語的個數(shù)。通過這樣一個大型的卷積窗口，將得到若干個列數(shù)為1的Feature Map。

c.池化層

本文中采用了一種稱為Max-Pooling的方法。這種方法就是簡單地從之前一維的Feature Map中提出最大的值，最大值代表著最重要的信號?？梢钥闯?，這種Pooling方式可以解決可變長度的句子輸入問題。

d. 全連接+softmax層

池化層的一維向量的輸出通過全連接的方式，然后再連接一個Softmax層進(jìn)行概率計算，最后得出分類的歸屬。

（4）訓(xùn)練方法

在倒數(shù)第二層的全連接部分上使用Dropout技術(shù)，Dropout是指在模型訓(xùn)練時隨機(jī)讓網(wǎng)絡(luò)某些隱含層節(jié)點的權(quán)重不工作，不工作的那些節(jié)點可以暫時認(rèn)為不是網(wǎng)絡(luò)結(jié)構(gòu)的一部分，但是它的權(quán)重得保留下來（只是暫時不更新而已），因為下次樣本輸入時它可能又得工作了，它是防止模型過擬合的一種常用的技巧。同時對全連接層上的權(quán)值參數(shù)給予L2正則化的限制。這樣做的好處是防止隱藏層單元自適應(yīng)（或者對稱），從而減輕過擬合的程度。

（5）實驗結(jié)果分析

從實驗的結(jié)果來看，主要有兩方面問題：

a.訓(xùn)練metrics不平滑，因為用的batch-sizes很小。如果用大點的batches （或者在整個測試集上進(jìn)行評估），會得到更平滑的曲線。

b.驗證集的accuracy明顯比訓(xùn)練集的低，說明網(wǎng)絡(luò)過擬合了，應(yīng)該用更大的數(shù)據(jù)集，更強(qiáng)的正則化，更少的模型參數(shù)，或者使用dropout，能較好改善過擬合問題。

從實驗的規(guī)模和效率來看，卷積神經(jīng)網(wǎng)絡(luò)在文本分類中取得了很好的成果，相比于之前淺層的機(jī)器學(xué)習(xí)方法如NB、SVM效果更好，特別實在數(shù)據(jù)集較大的情況下，并且CNN不用我們手動去提取特征，原淺層ML是需要進(jìn)行文本特征提取、文本特征表示、歸一化、最后進(jìn)行文本分類。所以采用卷積神經(jīng)網(wǎng)絡(luò)在處理大量文本的分類的時候，整體效果是好于傳統(tǒng)的淺層神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)方法的。

4 總結(jié)

本文先介紹介紹文本分類的特點和應(yīng)用，進(jìn)而引入深度學(xué)習(xí)的概念，并詳細(xì)介紹了深度學(xué)習(xí)的典型網(wǎng)絡(luò)-卷積神經(jīng)網(wǎng)絡(luò)的特點和應(yīng)用，最后通過使用TensorFlow2.3建立卷積神經(jīng)網(wǎng)絡(luò)，對AG數(shù)據(jù)集進(jìn)行識別，從數(shù)據(jù)獲取、數(shù)據(jù)預(yù)處理、建立卷積神經(jīng)網(wǎng)絡(luò)等一系列步驟進(jìn)行說明，最后對實驗結(jié)果進(jìn)行分析，如果進(jìn)一步優(yōu)化參數(shù)，還能取得更好的效果。

參考文獻(xiàn)

[1] 王宇石等.一種基于卷積神經(jīng)網(wǎng)絡(luò)的違禁品探測系統(tǒng)及部署方法[J]，科技創(chuàng)新與應(yīng)用，2020（7）.

[2] 曹華軍，吳宗民等.噪聲圖像的線性濾波分析與仿真[J]，信息技術(shù)與信息華，2017（8）.

[3] 閆濤. 深度學(xué)習(xí)算法實踐 [M]. 電子工業(yè)出版社出版社，2020

[4] 來學(xué)偉.TensorFlow讀取數(shù)據(jù)在簡單圖像識別中的應(yīng)用[J]，現(xiàn)代信息科技，2019（6）.

作者簡介：翟高粵，男（1975.11）廣西欽州，漢，碩士，副教授，研究方向：軟件理論，人工智能。