張小川，戴旭堯，劉 璐，馮天碩

（1.重慶理工大學(xué)兩江人工智能學(xué)院，重慶 401135；2.重慶理工大學(xué)計算機(jī)科學(xué)與工程學(xué)院，重慶 400054）

（?通信作者電子郵箱das7575@163.com）

0 引言

文本分類是自然語言處理領(lǐng)域中的一項重要的基本任務(wù)，是解決如何有效獲取和管理海量電子文本信息的關(guān)鍵技術(shù)［1-2］。

在傳統(tǒng)的文本分類研究中，文本表示常利用基于分布假設(shè)的word2vec［3］或Glove［4］方法，以對大量無標(biāo)簽文本進(jìn)行訓(xùn)練，并將其表示為Word Embedding［5］。它們的結(jié)果除詞嵌入本身外，還封裝了上下文信息，具有較好的特征表達(dá)能力。但在模型訓(xùn)練時，該類方法存在利用文本上下文信息的范圍有限，從而導(dǎo)致語義特征不豐富的問題。

經(jīng)Word Embedding 處理的短文本僅包含相互獨立的詞特征，還需利用神經(jīng)網(wǎng)絡(luò)模型來建立非線性詞向量之間的相互作用關(guān)系，通過學(xué)習(xí)句子的表述來捕捉句子的語義。文獻(xiàn)［6］提出將卷積神經(jīng)網(wǎng)絡(luò)（Convolution Neural Network，CNN）應(yīng)用到文本分類任務(wù)，利用多個不同大小的卷積核來捕捉局部相關(guān)性以提取句子中的特征信息。文獻(xiàn)［7］提出了一種利用單詞上下文信息的循環(huán)CNN（Recurrent CNN，RCNN）把每個單詞的無語義向量與上下文單詞的向量進(jìn)行拼接作為詞嵌入向量，有效地緩解了循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）［8］存在的梯度消失的問題，也避免了CNN需要通過窗口大小來設(shè)定上下文依賴長度。在中文場景下，文獻(xiàn)［9］將文本使用句向量表示，并輸入到雙向門控循環(huán)單元（Bidirectional Gated Recurrent Unit，BGRU）與CNN 的混合模型BGRU-CNN中，在THUCNews數(shù)據(jù)集上取得了較好的效果；文獻(xiàn)［10］使用自注意力機(jī)制對詞向量進(jìn)行處理，提出一種關(guān)鍵詞提取與CNN 相結(jié)合的文本分類模型，其模型在復(fù)旦數(shù)據(jù)集上取得了較好的效果。以上研究雖取得了不錯的效果，但都只能保留文本的局部特征，不能充分利用上下文，且傳統(tǒng)文本表示方法不能解決多義詞的問題，導(dǎo)致模型精確率較低。

近年來，深度學(xué)習(xí)方法在單標(biāo)簽文本分類任務(wù)上取得了較優(yōu)成績［11-13］，其在解決文本分類任務(wù)時常劃分為文本預(yù)處理、文本表示、特征提取和分類器四個部分。本文針對其中文本表示和特征提取兩個部分進(jìn)行改進(jìn)，提出了一種融合卷積神經(jīng)網(wǎng)絡(luò)和多頭自注意力機(jī)制（combing Convolutional Neural Network and Multi-Head self-Attention mechanism，CNN-MHA）的中文短文本分類模型，主要工作如下：

1）在一般文本分類任務(wù)的過程中，不再使用靜態(tài)文本表示方法word2vec，而是結(jié)合預(yù)訓(xùn)練語言模型的思想，使用基于Transformer 的雙向編碼器表示（Bidirectional Encoder Representations from Transformers，BERT）預(yù)訓(xùn)練語言［14］對文本進(jìn)行Word Embedding。在詞嵌入的過程中，充分利用BERT在海量文本數(shù)據(jù)集上的預(yù)訓(xùn)練結(jié)果，動態(tài)地表示在不同語境中含有不同語義的文本。

2）在CNN 模型的基礎(chǔ)上，對特征提取層的策略進(jìn)行改進(jìn)，引入多頭自注意力機(jī)制。在特征提取的過程中，根據(jù)詞本身對分類結(jié)果的重要程度，為其分配不同的權(quán)重，增強(qiáng)文本內(nèi)部的詞依賴關(guān)系。為降低模型在語義識別上的局限性，在多個特征表示的子空間內(nèi)分別進(jìn)行特征提取，再將各結(jié)果融合，提高模型的學(xué)習(xí)能力。

1 建模預(yù)處理

1.1 BERT模型

傳統(tǒng)語言模型的表示方法是靜態(tài)的，無法充分利用上下文表征字詞的多義性，為此，本文使用BERT模型，將傳統(tǒng)靜態(tài)表征方法優(yōu)化為動態(tài)表征方法。如圖1所示，BERT 模型輸入層由字符級向量（Token_Embeddings）、位置向量（Position_Embeddings）和分段向量（Segment_Embeddings）相加組成。

圖1 BERT模型簡圖Fig.1 BERT model diagram

Token_Embeddings為中文文本中每個字對應(yīng)的向量；Position_Embeddings給每個字添加時序信息；Segment_Embeddings的作用是將文本按句分段，并對語句做段定位，即利用標(biāo)記符號［CLS］和［SEP］來區(qū)分不同的句子并同時保存每句話的位置信息。

把三層向量疊加之后輸入到Transformer 編碼器［15］中，對每個字進(jìn)行雙向的編碼表示。Transformer編碼器以字符級向量疊加為輸入，先后通過自注意力層、殘差連接與歸一化層、前向神經(jīng)網(wǎng)絡(luò)層，最終輸出帶有語義信息的隱藏層向量。

1.2 多頭自注意力

研究發(fā)現(xiàn)，注意力可選擇性地關(guān)注文本的重要信息。本文以此為啟發(fā)并借鑒Transformer 模型，采用多頭自注意力機(jī)制（Multi-head self-Attention mechanism，MHA）提取不同語義空間中的詞依賴關(guān)系。多頭自注意力以縮放點積注意力（Scaled Dot-product Attention，SDA）為原理，其計算式如下：

其中：Q、K、V分別為計算自注意力的查詢、鍵、值矩陣；QKT為注意力矩陣，對V矩陣加權(quán)；dk表示鍵的維數(shù)，而則是把注意力矩陣變?yōu)闃?biāo)準(zhǔn)的正態(tài)分布，以使得結(jié)果更穩(wěn)定且在反向傳播時能夠獲取平衡的梯度。

在式（1）計算的SDA基礎(chǔ)上，從包含不同語義信息的子空間中，集成如圖2所示的語義特征。

圖2 多頭自注意力簡圖Fig.2 Multi-head self-attention diagram

進(jìn)而，通過如下兩步求得多頭注意力MultiHead數(shù)值：

1）先將Q、K、V矩陣分別映射到多個不同的子空間中：

其中：Qi、Ki、Vi為各子空間的查詢、鍵、值矩陣；W(Qi)、W(Ki)、W(Vi)為轉(zhuǎn)換矩陣；h為頭數(shù)。

2）并行地計算各子空間中的SDA，再將所得結(jié)果拼接，經(jīng)線性變換后得句子矩陣：

其中：headi為每個子空間的SDA；MultiHead為最終結(jié)果。

1.3 卷積神經(jīng)網(wǎng)絡(luò)

采用卷積神經(jīng)網(wǎng)絡(luò)獲取文本特征。先將文本經(jīng)Word Embedding 后得到矩陣X，輸入到CNN 中，再經(jīng)卷積操作后輸出每個句子對應(yīng)的特征矩陣C：

其中：L為文本長度；xi為序列中第i個詞的向量；ω為濾波器；t為卷積核的大??；f為卷積非線性函數(shù)；b為偏差項。

通過上述步驟求得多頭注意力MultiHead、特征矩陣C，從而完成建模預(yù)處理目標(biāo)。

2 CNN-MHA模型

2.1 建立模型總體架構(gòu)

CNN-MHA 模型結(jié)構(gòu)如圖3 所示，由詞嵌入層、多頭自注意力層、卷積層和輸出層組成。

圖3 CNN-MHA模型簡圖Fig.3 CNN-MHA model diagram

2.2 構(gòu)造詞嵌入層

本文采用BERT 預(yù)訓(xùn)練語言模型作為CNN-MHA 的詞嵌入層。為學(xué)習(xí)到每個字的多重含義表達(dá)，在詞嵌入層對字向量做線性映射：設(shè)置文本序列矩陣X=[x1，x2，…，xN]T，N表示序列長度，當(dāng)其在Word Embedding 之后，得到矩陣A=[a1，a2，…，aN]T。接著，構(gòu)建Q、K、V三個矩陣，分別來建立當(dāng)前字與其他字的關(guān)系，并生成特征向量。首先，初始化權(quán)重矩陣WQ、WK、WV，經(jīng)矩陣計算得Q、K、V矩陣，而且在模型訓(xùn)練過程中，WQ、WK、WV不斷地優(yōu)化和更新并獲得SDA：

在文本輸入中，存在batch 序列長短不一現(xiàn)象，需要對短句中空白處以0 填充。作為計算SDA的關(guān)鍵環(huán)節(jié)，softmax函數(shù)存在產(chǎn)生無意義值的情況，從而導(dǎo)致結(jié)果出現(xiàn)較大偏差。為解決此問題，本文提出對無效填充區(qū)域增加平滑項的做法，經(jīng)實際計算SDA，并對結(jié)果做殘差連接，使梯度跨層由后向前傳播，從而有效地避免傳統(tǒng)RNN方法的梯度消失的問題。

進(jìn)一步對結(jié)果進(jìn)行歸一化操作，以將隱藏層轉(zhuǎn)化為正態(tài)分布，加快了訓(xùn)練和模型的收斂。

在經(jīng)過所有計算后，結(jié)束BERT 的操作，通過多層迭代，最終得到經(jīng)詞嵌入層后對應(yīng)的融合上下文信息的隱藏層向量encodeToken=[et1，et2，…，etN]T。

2.3 多頭自注意力層

所有文本數(shù)據(jù)經(jīng)Word Embedding 操作之后，所得的encodeToken對應(yīng)為每個字的向量表示，仍可以進(jìn)行進(jìn)一步的語義特征提取，因此，本文利用多頭自注意力機(jī)制單獨作為CNN-MHA中語義增強(qiáng)層，并行地進(jìn)行h次自注意力運算：

再融合所有子空間的語義信息：

最后，將MultiHead以式（10）與最初輸入的文本序列進(jìn)行殘差連接，最終得到句子向量。

2.4 卷積層

在數(shù)據(jù)通過Multi-head Attention 層后，所有文本序列內(nèi)部都獲得全局范圍內(nèi)的上下文詞依賴關(guān)系，但是模型缺少捕獲局部特征的能力。為提升模型的表征能力，將經(jīng)Multi-head Attention 層輸出的句子向量再輸入到CNN 中，以捕捉相應(yīng)的局部特征：

其中，為Multi-head Attention 層的輸出矩陣A從第j行到第j+t-1行的局部特征。

本文使用m種卷積核，得到最終的卷積結(jié)果Ck(1 ≤k≤m)輸入到池化層進(jìn)行特征采樣，目的是在保持主要特征的情況下，降低模型的參數(shù)數(shù)目，同時也降低過擬合的風(fēng)險。最終，將池化后的特征矩陣C輸入到帶有dropout 操作的全連接層里，得到最終的分類特征向量：

2.5 輸出層

在文本經(jīng)詞嵌入層后，得到encodeToken為每一個文本序列所對應(yīng)的包含上下文語義信息的向量，如圖1 中輸出層的表示，而encodeToken中只包含［CLS］對應(yīng)的頭向量clsToken，可作為每句話的向量表示，即為每句話的分類特征向量，如圖4所示。

圖4 分類特征向量簡圖Fig.4 Classification feature vector diagram

為最大化獲取文本特征信息，本文將經(jīng)CNN 輸出的特征向量y與Word Embedding 時生成的clsToken向量進(jìn)行特征融合：

其中，H作為融合特征向量輸入到分類器中，進(jìn)行最終的中文短文本分類任務(wù)。

3 實驗與結(jié)果分析

3.1 數(shù)據(jù)集

本文實驗使用的數(shù)據(jù)來自搜狗實驗室提供的搜狐新聞標(biāo)題數(shù)據(jù)［16］。本文從中選取金融、股票、房產(chǎn)、科學(xué)、體育、教育、社會、政治、游戲、娛樂十個類別的數(shù)據(jù)，進(jìn)行分類任務(wù)。為了保證測試數(shù)據(jù)評估效果與在真實場景下模型對未知數(shù)據(jù)預(yù)判的結(jié)果相近［17］，數(shù)據(jù)集被劃分為訓(xùn)練集50 000 條、驗證集5 000條、測試集10 000條。

3.2 實驗環(huán)境

本文的實驗環(huán)境為：操作系統(tǒng)Windows 10；CUDA10.0；cudnn 10；處理器Intel I7 8700，GPU NVIDIA GeForce GTX 1070；內(nèi)存16 GB；顯存8 GB；編譯平臺Pycharm Professional；Python 3.6；Pytorch 1.3.1。

3.3 實驗參數(shù)設(shè)置

本文模型實驗的所有參數(shù)為：訓(xùn)練輪數(shù)epoch=10，batch_size=64，每條文本的長度text_size=32，學(xué)習(xí)率learning_rate=5E-5，BERT模型的隱藏單元數(shù)hidden_num=768，CNN 的卷積核尺寸filter_size=(2，3，4)，卷積核數(shù)量filter_num=256，dropout=0.1。為了降低模型過擬合的風(fēng)險，設(shè)置檢測參數(shù)detect_imp=3 000，即若模型在持續(xù)3 000個batch 的訓(xùn)練中所得結(jié)果沒有明顯的提升，就提前結(jié)束訓(xùn)練。

3.4 評價指標(biāo)

由于實驗用數(shù)據(jù)集的標(biāo)簽具有不規(guī)則、不平衡等特性，為了能客觀準(zhǔn)確地衡量模型在數(shù)量少的類別上的分類性能，實驗主要采用F1值作為性能評價指標(biāo)，并以準(zhǔn)確率、精確率、召回率作參考：

其中：Precision代表準(zhǔn)確率；Recall代表召回率；F1 越大，模型的分類效果則越好。

3.5 對比實驗

實驗將本文構(gòu)建的CNN-MHA 模型與如下基準(zhǔn)模型進(jìn)行了對比。

1）TextCNN：將經(jīng)Word Embedding 的詞向量通過一層卷積和一層池化來構(gòu)造更好的特征向量。

2）TextRCNN：將經(jīng)Word Embedding 的詞向量通過雙向RNN和一層最大池化來構(gòu)造更好的特征向量。

3）BERT：利用預(yù)訓(xùn)練模型，直接將文本嵌入為詞向量，再輸入到分類器中分類。

在實驗中，訓(xùn)練和測試時的各項參數(shù)都保持統(tǒng)一，評價指標(biāo)采用準(zhǔn)確率、精確率、召回率、F1值。本文實驗數(shù)據(jù)共有10個類別，為方便對比各模型性能，評價指標(biāo)的實驗結(jié)果皆取10個類別的均值，如表1所示。

表1 不同模型實驗結(jié)果對比 單位：%Tab.1 Comparison of experimental results of different models unit：%

由表1 可見，CNN-MHA 模型在各項指標(biāo)上都是最優(yōu)的，其中F1 值比TextCNN 模型提高了3.99%，比BERT 模型提高了0.76%，比TextRCNN 模型高出2.89%。如果采用BERT 模型作為嵌入層：BERT-CNN 與傳統(tǒng)靜態(tài)表征方法的TextCNN相比，其各項指標(biāo)平均提高了3.92%；BERT-RCNN 與TextRCNN 相比，其各項指標(biāo)平均提高了2.63%。因此，從以上實驗結(jié)果來看，由于BERT 模型在海量文本數(shù)據(jù)集上進(jìn)行了預(yù)訓(xùn)練，其動態(tài)文本表征方法相較于傳統(tǒng)靜態(tài)文本表征方法，對文本分類任務(wù)有明顯影響且性能有顯著提升。

3.6 多頭自注意力機(jī)制的實驗與分析

本文CNN-MHA 模型與BERT-CNN 相比，各項指標(biāo)平均提升了0.06%，其精確率提升了0.08%、F1 值提升了0.06%。通過在BERT-RCNN 中添加了Multi-head Attention 層得到MHA-RCNN，由表1 所示，二者相比，MHA-RCNN 準(zhǔn)確率提高了0.04%、精確率提高了0.05%、召回率提高了0.05%、F1 值提高了0.07%，這表明Multi-head Attention 在構(gòu)建含有更豐富的語義信息特征向量時具有有效性，且CNN 專注于局部特征提取這一特性，相較于RCNN 效果更好，計算效率更高，并很好地彌補(bǔ)了Multi-head Attention 缺少的局部特征提取功能的不足。

在訓(xùn)練過程中發(fā)現(xiàn)，由于本文模型存在較大的參數(shù)量，其各項指標(biāo)所對應(yīng)的結(jié)果體現(xiàn)出模型存在著輕微的過擬合現(xiàn)象。為此，本文采取在Multi-head Attention 層后加入dropout操作的方法，由表1 的結(jié)果可以看出，與沒有dropout 操作的CNN-MHA*相比，CNN-MHA 模型的各項指標(biāo)平均提升了0.2%，其中精確率和F1 值增長了0.22%，表明dropout操作對本文模型具有較大的影響。

通過各實驗對比發(fā)現(xiàn)，本文的CNN-MHA 模型具有良好的泛化能力，在中文短文本分類任務(wù)上具有良好的效果。

4 結(jié)語

本文針對中文短文本分類任務(wù)，特別針對文本表示和特征提取部分，提出了一種融合多頭自注意力機(jī)制的中文短文本分類模型CNN-MHA。該模型的核心思想是先利用BERT預(yù)訓(xùn)練模型對文本進(jìn)行Word Embedding；再利用短文本的海量性，針對獨立且不同的上下文語境，通過多頭自注意力機(jī)制在全局范圍內(nèi)進(jìn)一步學(xué)習(xí)文本序列內(nèi)部的詞依賴關(guān)系，增強(qiáng)模型的表意能力；然后，將結(jié)果輸入到CNN 中，捕捉局部特征；最終，將得到的特征向量與Word Embedding 時生成的句特征向量進(jìn)行特征融合，并以此融合向量作為分類器的輸入進(jìn)行短文本分類任務(wù)。實驗結(jié)果表明，本文改進(jìn)后的模型在中文短文本分類任務(wù)上具有較好的效果。

本文所提模型雖然達(dá)到了一定的效果，但也有一些明顯的缺陷：在語料數(shù)據(jù)噪聲較大時，模型效果會產(chǎn)生波動；模型的參數(shù)量較大，計算成本較高。下一步工作將考慮這些不足，對模型進(jìn)行更細(xì)粒度的研究。