汪靜，徐昶，王瑩瑩

(1.湖北廣播電視大學(xué)軟件工程學(xué)院，武漢 430074；2.湖北廣播電視大學(xué)導(dǎo)學(xué)中心，武漢 430074)

0 引言

隨著移動終端的普及和網(wǎng)絡(luò)的高速發(fā)展，人們在媒體平臺上自由發(fā)表評論，由此產(chǎn)生了大量文本數(shù)據(jù)。如何從爆發(fā)式增長的文本中篩選出有效信息是當(dāng)前的研究熱點，而文本自動分類可以適當(dāng)解決這一問題。因此，如何通過文本分類技術(shù)挖掘文本的潛在價值，成為目前廣泛關(guān)注的一項任務(wù)。

文本分類是計算機(jī)依據(jù)對文本內(nèi)容的分析，將其判別為提前確定好的類別中的一類或幾類[1]。其中文本表示是文本分類的前提保障，其質(zhì)量的好壞對分類效果造成直接影響，傳統(tǒng)的文本表示方法大多基于空間向量模型(VSM)[2]和主題模型[3]。近幾年隨著深度學(xué)習(xí)理論的逐漸成熟和硬件設(shè)備的有力支撐，新興模型Word2Vec[4]進(jìn)入行業(yè)大眾視野，其根據(jù)上下文語義關(guān)系映射出詞語在空間中的位置，成為文本表示的新方法。2013年Word2Vec工具的開源使詞向量受到界內(nèi)研究者的追捧，并在各類自然語言處理任務(wù)中展現(xiàn)了巨大的應(yīng)用潛力。如Fan[5]、Yao[6]等人分別將Word2Vec應(yīng)用于問答系統(tǒng)中多標(biāo)簽文本分類問題和大規(guī)模新聞文本分類問題中，分類效果較傳統(tǒng)的文本分類方法均有較大提升。

然而漢語詞匯中存在大量一詞多義的現(xiàn)象，Word2Vec模型單純用唯一的詞向量混合表示詞語的多重語義顯然是不合理的，業(yè)內(nèi)學(xué)者對此展開了相關(guān)研究。Tian[7]假設(shè)所有的單詞具有相同的語義個數(shù)，通過Skip-Gram模型使用概率混合模型學(xué)習(xí)詞向量的表達(dá)，但這種假設(shè)與實際情況相違背，可借鑒性不大。為解決上述問題，Neelakantan等人[8]提出一種名為NP-MSSG的非參模型，訓(xùn)練出不同個數(shù)的向量對多義詞進(jìn)行表示。而Chen等人[9]依據(jù)提前定義好的多義詞列表，自動學(xué)習(xí)多義詞的多個向量表達(dá)，但其過度依賴外部資源庫的質(zhì)量。因此，如何通過合適的語言模型有效表達(dá)多義詞是一個值得深究的問題。

通過以上分析，本文區(qū)別于當(dāng)前主流的神經(jīng)網(wǎng)絡(luò)分類方法僅將詞向量局限于文本預(yù)處理過程[11]，在詞向量文本表示法的基礎(chǔ)上研究對詞向量的優(yōu)化和改進(jìn)。

1 Skip-Gram模型訓(xùn)練過程及其局限性

鑒于Mikolov等人在文獻(xiàn)[4]中指出Word2Vec模型中的Skip-Gram訓(xùn)練模型針對數(shù)據(jù)稀疏問題更有效，且適用于語料庫較大的情況，因此本文優(yōu)先選擇Skip-Gram訓(xùn)練模型作為后期改進(jìn)算法的基礎(chǔ)模型。

為優(yōu)化傳統(tǒng)線性Softmax函數(shù)計算復(fù)雜度高的問題，Skip-Gram模型采用基于霍夫曼樹的層次Softmax(Hierarchical Softmax)函數(shù)[12-14]。其輸出層對應(yīng)一棵二叉樹，數(shù)據(jù)集中的詞語作為葉子結(jié)點，各個詞語出現(xiàn)的次數(shù)作為權(quán)值構(gòu)造Huffman樹[11]。則目標(biāo)函數(shù)表達(dá)式如公式(1)所示：

(1)

通過Skip-Gram模型訓(xùn)練，一個詞語僅對應(yīng)唯一的詞向量[17-18]，則多義詞對應(yīng)的詞向量混雜表達(dá)了多重語義，造成詞向量在不同語境中代表的含義不明確，進(jìn)而對文本分類的效果造成一定影響，側(cè)面體現(xiàn)出Skip-Gram模型在一詞多義問題上的局限性。

2 基于主題-詞向量的多義詞表示

2.1 多粒度協(xié)同表達(dá)的主題-詞向量

針對上述Skip-Gram模型存在的問題，本文提出“主題-詞向量”的概念，并在Skip-Gram模型的基礎(chǔ)上引入LDA主題模型[19]，提出Topic-SG語言模型計算主題-詞向量，利用細(xì)粒度的語義特征和粗粒度的主題特征協(xié)同表達(dá)主題-詞向量，使詞向量結(jié)合主題特征向量區(qū)分多義詞詞向量在特定主題下的含義。如公式(2)所示，“錘子”的詞向量與代表“電子設(shè)備”類主題的主題向量融合即可得到“錘子”在“電子設(shè)備”主題下的主題-詞向量，同理通過公式(3)可得到“錘子”在“工具”類主題下的主題-詞向量。二者依據(jù)主題向量的特征區(qū)分多義詞“錘子”的詞向量，其中“錘子”對應(yīng)的向量是細(xì)粒度的語義特征，“電子設(shè)備”、“工具”對應(yīng)的向量則是粗粒度的主題特征，兩者協(xié)同表達(dá)，可以更準(zhǔn)確地定位每個詞語在具體上下文的精確語義。

錘子 電子設(shè)備

[v11v12…v1m]⊕[z11z12…z1m=[v11v12…v1mz11z12…z1m]

(2)

錘子 工具

[v11v12…v1m]⊕[zk1zk2…zkm]=[v11v12…v1mzk1zk2… zkm]

(3)

2.2 主題-詞向量的訓(xùn)練過程

本文借助LDA主題模型的訓(xùn)練得到“文檔-主題”概率分布Θ和“單詞-主題”關(guān)聯(lián)性概率分布Φ，以及每個潛在主題下概率最大的前n個詞語。對于某一文檔d={w1，w2，…，wl}中的單詞wi，可依據(jù)概率分布P(ti|wi，d)∝P(wi|ti)P(ti|d)分配一個主題ti[20]。最終LDA訓(xùn)練模型呈現(xiàn)收斂效果后，每篇文檔中的每個詞語w將被賦予一個或多個特定的主題t，每個詞語和對應(yīng)的一個或多個主題組合成一個或多個詞語主題對(w，t)用于后續(xù)主題-詞向量的訓(xùn)練。

Topic-SG模型首先需將文本形式的詞語主題對(w，t)初始化為計算機(jī)可以理解的向量形式，則先將每個詞語隨機(jī)初始化為固定維數(shù)的m維向量，并通過Skip-Gram模型根據(jù)上下文語義關(guān)系訓(xùn)練出每個詞語對應(yīng)的詞向量vw。同時，將每個單詞所屬的主題同樣進(jìn)行向量初始化，初始化的主題向量需依據(jù)LDA模型的輸出結(jié)果，每個初始化的主題向zw由分配給同一主題的前n個單詞的詞向量求平均所得，且主題向量維數(shù)與詞向量相同。LDA模型最初預(yù)設(shè)定的主題數(shù)k決定主題向量個數(shù)，將已初始化的主題向量zw輸入Topic-SG模型訓(xùn)練，并保持詞向量不變。Topic-SG語言模型示意圖如圖1所示。

不同于Skip-Gram模型，Topic-SG語言模型同時考慮當(dāng)前詞及其所屬的主題信息對上下文進(jìn)行預(yù)測。將當(dāng)前詞所屬的主題理解為具有相同主題的詞語集合，同樣用一個向量進(jìn)行表示。借鑒詞向量的訓(xùn)練機(jī)制映射文本的主題信息，最終學(xué)習(xí)出文本層面粒度較粗的主題向量，代表該主題下所有單詞的語義信息的集合。

圖1 Topic-SG語言模型示意圖

采用層次Softmax方法優(yōu)化學(xué)習(xí)過程，Topic-SG模型的目標(biāo)函數(shù)如公式(4)所示：

(4)

(5)

(6)

(7)

Topic-SG模型收斂后計算出的詞向量vw和主題向量zw拼接即可得到詞語w在主題z下的主題-詞向量wz。詞向量在詞語層次進(jìn)行細(xì)粒度的語義特征描述，主題向量在文檔的主題層次進(jìn)行粗粒度的抽象描述，二者拼接融合，從多粒度特征協(xié)同表達(dá)多義詞在特定語境主題中的主題-詞向量，由此緩解了傳統(tǒng)Skip-Gram模型存在的多義詞詞向量在具體語境下指代不明的問題。主題-詞向量wz的組成如公式(8)所示：

wz=vw⊕zw

(8)

3 實驗

3.1 實驗數(shù)據(jù)集

本文實驗選用搜狗實驗室提供的中文新聞文本分類數(shù)據(jù)集。在預(yù)處理階段對原始文本進(jìn)行格式化處理，并從中抽取新聞內(nèi)容用于主題-詞向量的訓(xùn)練和文本分類的數(shù)據(jù)集。采用jieba分詞工具對格式化處理后的新聞?wù)Z料進(jìn)行分詞[21]。

3.2 多義詞的主題-詞向量實驗

此處將本文所提的基于Topic-SG語言模型的主題-詞向量與基于Skip-Gram模型訓(xùn)練的詞向量進(jìn)行詞語相似性的比較，相似性的衡量標(biāo)準(zhǔn)由詞向量之間的余弦距離決定[22]。

首先使用Skip-Gram模型訓(xùn)練語料庫中的所有詞向量，在訓(xùn)練之前需初始化系列參數(shù)，其中，詞向量的維數(shù)設(shè)定為100，模型中上下文窗口大小默認(rèn)設(shè)置為5，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速率設(shè)定為0.05，訓(xùn)練完成后得到如表1所示的結(jié)果。

表1 與“蘋果”最相似的前10個詞語(Skip-Gram)

針對本文所提的Topic-SG模型計算主題-詞向量，先利用GibbsLDA++工具對大規(guī)模語料庫訓(xùn)練得到每篇文檔中單詞的主題標(biāo)簽，其中設(shè)置隱含主題數(shù)k為50，超參數(shù)取值α=50/k、β=0.01，迭代次數(shù)為1000次。隨后通過Topic-SG模型學(xué)習(xí)出詞向量及其所屬的主題向量，模型參數(shù)與上述Skip-Gram模型的參數(shù)設(shè)置一致。對主題-詞向量計算相似詞的實驗結(jié)果如表2所示。

表2 與“蘋果”最相似的10個詞(Topic-SG)

由表1中的實驗結(jié)果可以看出，Skip-Gram模型訓(xùn)練出的詞向量混雜了多重語義，而表2中的結(jié)果顯示Topic-SG模型能計算詞向量“蘋果”分別在“電子設(shè)備”和“水果”兩個不同主題下的相似詞。將多義詞“蘋果”的相似詞進(jìn)行降維及聚類可視化展示，如圖2所示，“蘋果”相似詞分別形成的聚類簇呈現(xiàn)出較明顯的分隔區(qū)。由此驗證了Topic-SG模型能識別并訓(xùn)練出多義詞在不同主題下的詞向量的有效性。

圖2 “蘋果”多義詞的聚類可視化

3.3 文本分類實驗

本文借助最經(jīng)典的TF-IDF算法計算單個詞語的權(quán)重，通過對主題-詞向量的加權(quán)求和轉(zhuǎn)化為文本向量用于文本分類。將提出的Topic-SG模型與VSM模型、LDA模型以及TF-IDF加權(quán)的Word2Vec模型的文本分類效果進(jìn)行對比，分類器均采用SVM分類算法[23]。所有實驗采用五折交叉驗證評估模型的分類效果，并用準(zhǔn)確率P、召回率R和F1綜合指標(biāo)進(jìn)行測評，測試結(jié)果如表3所示。

表3 四種分類方法的測試結(jié)果(%)

將表中各類別的平均F1值以柱狀圖的形式展現(xiàn)，如圖3所示。

由圖3可以直觀看出，唐明等人[10]提出的TF-IDF加權(quán)的Word2Vec模型的文本分類效果較VSM模型和LDA模型兩種基礎(chǔ)方法有較明顯的提升，由此驗證了Word2Vec模型應(yīng)用于文本分類的可行性。

本文提出的文本分類方法與加權(quán)Word2Vec模型相比又有一些提升，原因在于本文是基于Topic-SG模型計算出的主題-詞向量表示文本向量，而加權(quán)的Word2Vec模型中文本向量由Skip-Gram訓(xùn)練出的詞向量與TF-IDF計算出的權(quán)重組合表示，其中主題-詞向量相比于單純的詞向量嵌入了主題特征，同一多義詞

圖3 F1值對比圖

可結(jié)合語境主題產(chǎn)生不同的主題-詞向量，從而增大了文本向量的區(qū)分度，進(jìn)一步提高文本分類效果。

圖4利用箱形圖展現(xiàn)了四種文本分類方法的分類結(jié)果?；赟VM模型和TF-IDF加權(quán)Word2Vec模型應(yīng)用于文本分類的實驗結(jié)果顯示，此兩種方法的F1值四分位距較大，穩(wěn)定性有待進(jìn)一步提高?；贚DA模型的文本分類方法雖然正常值分布較集中，但F1值卻整體偏低且有出現(xiàn)異常值的概率。而本文所提的文本分類方法相比于其他三種方法表現(xiàn)得更穩(wěn)定，F(xiàn)1平均值相對最高。綜合考慮上述文本分類方法的準(zhǔn)確性與穩(wěn)定性，本文所提的基于Topic-SG模型計算出的主題-詞向量更適用于文本分類。

圖4 F1值對比箱形圖

4 結(jié)語

當(dāng)前主流的自然語言處理研究僅將詞向量簡單地作為一種文本預(yù)處理環(huán)節(jié)，缺乏對詞向量本身特點的深入分析。本文的工作以詞向量本身的不足作為切入點，有助于進(jìn)一步深刻理解和擴(kuò)展詞向量這一新型語言模型的應(yīng)用深度和廣度。

針對詞向量無法較好解決文本中普遍存在的多義詞問題，本文深入研究基于Skip-Gram模型的詞向量的生成機(jī)制，提出“主題-詞向量”的概念，試圖定位詞匯在上下文中的精準(zhǔn)含義，利用多粒度特征協(xié)同表達(dá)多義詞在不同語境中所表示的含義，并將主題-詞向量概念應(yīng)用于文本分類問題。實驗結(jié)果表明，本文提出的“主題-詞向量”概念及其實現(xiàn)模型Topic-SG，能更好地完成混合了多種語義的文本分類問題。

后續(xù)將對“主題-詞向量”這一概念及其訓(xùn)練過程進(jìn)行更深度的剖析，考慮使用不同類型的大規(guī)模語料庫，借助多元化數(shù)據(jù)理解特定環(huán)境下的語言特點，提高主題-詞向量在各類應(yīng)用中的普適性。