李楚貞，吳新玲，余育文

(1. 廣東理工學(xué)院信息技術(shù)學(xué)院，廣東 肇慶 526100；2. 廣東技術(shù)師范大學(xué)計(jì)算機(jī)科學(xué)學(xué)院，廣東 廣州 510665；

1 引言

隨著互聯(lián)網(wǎng)技術(shù)的迅猛發(fā)展，各種文本信息和數(shù)據(jù)飛速增加，如何在海量文本信息中有效篩選出更加有價(jià)值的信息是目前社會(huì)各界學(xué)者研究的主要內(nèi)容[1，2]。國(guó)內(nèi)外相關(guān)專(zhuān)家給出了一些較好的研究成果，例如肖琳等人[3]針對(duì)語(yǔ)義信息和文章內(nèi)容間的對(duì)應(yīng)關(guān)系，利用標(biāo)簽語(yǔ)義注意力機(jī)制獲取不同文檔的權(quán)重取值，同時(shí)對(duì)各個(gè)標(biāo)簽的重要性進(jìn)行分析，實(shí)現(xiàn)分類(lèi)。李校林等人[4]分別在訓(xùn)練和測(cè)試樣本的相似性，同時(shí)將相似性結(jié)果進(jìn)行對(duì)比，實(shí)現(xiàn)分類(lèi)。以上兩種算法由于未能加入卷積神經(jīng)網(wǎng)絡(luò)，導(dǎo)致分類(lèi)結(jié)果不準(zhǔn)確，分類(lèi)復(fù)雜度增加，容錯(cuò)率下降。為了更好地解決上述問(wèn)題，提出一種全新的復(fù)雜文本多標(biāo)簽分類(lèi)算法。仿真結(jié)果表明，所提算法能夠獲取理想的分類(lèi)結(jié)果，提升容錯(cuò)率，降低分類(lèi)復(fù)雜度。

2 復(fù)雜文本多標(biāo)簽分類(lèi)算法

2.1 復(fù)雜文本的特征選擇

文本特征選擇操作步驟具體如圖1所示。

圖1 復(fù)雜文本的特征選擇流程圖

以下主要通過(guò)Bootstrap方法進(jìn)行復(fù)雜文本抽樣，具體的操作步驟如下所示：

(1)

接下來(lái)對(duì)抽取的特征進(jìn)行評(píng)價(jià)，由于復(fù)雜環(huán)境下的文本標(biāo)簽具有一定的特殊性，需要在特征選擇階段對(duì)各個(gè)文本進(jìn)行二元分解，同時(shí)將其劃分為多個(gè)數(shù)據(jù)子集，各數(shù)據(jù)子集中還含有一個(gè)二元類(lèi)標(biāo)簽。

為了更好提升算法的整體性能，進(jìn)行特征選擇前需要進(jìn)行數(shù)據(jù)集抽取[7]，將抽取的特征進(jìn)行評(píng)價(jià)，最終通過(guò)投票的方式確定權(quán)重的取值，具體的計(jì)算式為

(1)

式中，Wi代表特征的相關(guān)性；L代表參與投票的總?cè)藬?shù)。

將獲取的特征權(quán)重按順序進(jìn)行排列，用戶(hù)根據(jù)自身需求選擇對(duì)應(yīng)的權(quán)重。

2.2 基于卷積神經(jīng)網(wǎng)絡(luò)的復(fù)雜文本多標(biāo)簽分類(lèi)

通過(guò)Word2vec工具將復(fù)雜文本特征提取結(jié)果轉(zhuǎn)換為詞向量，同時(shí)將句子整理為向量矩陣的形式。進(jìn)而利用粒子群算法對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，最終達(dá)到分類(lèi)的目的。

卷積神經(jīng)網(wǎng)絡(luò)(如圖2)由四個(gè)層次組成，其中，輸入層重點(diǎn)負(fù)責(zé)數(shù)據(jù)的整合和向量矩陣的組建；卷積層負(fù)責(zé)文本數(shù)據(jù)的特征提取；池化層負(fù)責(zé)文本特征的二次提取；而全連接層負(fù)責(zé)對(duì)提取的特征進(jìn)行分析，得到各個(gè)文本的類(lèi)別信息，同時(shí)將其劃分為概率最大的類(lèi)中，有效實(shí)現(xiàn)分類(lèi)。以下重點(diǎn)對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，具體的操作步驟如圖2所示。

圖2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

1)輸入層

為了將卷積神經(jīng)網(wǎng)絡(luò)模型更好地應(yīng)用于復(fù)雜文本多標(biāo)簽分類(lèi)中，需要將上述獲取的特征作為模型輸入。在卷積神經(jīng)網(wǎng)絡(luò)的輸入層中，使用一種比較直接的特征組織方式，即將詞向量的維度設(shè)定為矩陣的橫向維度[8，9]，各個(gè)短文本中包含的詞語(yǔ)即為矩陣的縱向維度，以此為依據(jù)完成詞粒度特征向句子粒度特征的轉(zhuǎn)換。

2)卷積層

在卷積核中，主要使用長(zhǎng)度為h的卷積窗口對(duì)文本進(jìn)行卷積操作，得到的輸出特征如式(2)所示

si=f(W*ai：i+h-1+b)

(2)

式中，b代表卷積的偏置項(xiàng)；f代表激活函數(shù)。以下將Leaky ReLU函數(shù)設(shè)定為激活函數(shù)，具體的計(jì)算式為

(3)

式中，ai代表(1，∞)區(qū)間內(nèi)的固定參數(shù)。在卷積核中對(duì)輸入數(shù)據(jù)進(jìn)行卷積操作，能夠獲取全新的特征向量圖(S∈Rm-h+1)，具體的表現(xiàn)形式如式(4)所示

S=[S1，S2，…，Sm-h+1]T

(4)

一般情況下，一個(gè)卷積層中只含有一個(gè)卷積核。但是為了獲取更加理想的分類(lèi)效果，使用Text-CNNM模型設(shè)定三個(gè)規(guī)格不同的卷積核，通過(guò)其提取文本的局部特征。當(dāng)經(jīng)過(guò)卷積核操作后，會(huì)形成三種不同的特征圖。

3)池化層

在CNN架構(gòu)中連續(xù)卷積層會(huì)定期插入池化層，池化層在輸入體積的各個(gè)深度切片中單獨(dú)進(jìn)行體積采集。以下在池化層中主要通過(guò)Max-pooling操作，即提取池化窗口中取值最大的數(shù)據(jù)局部最優(yōu)特征，進(jìn)而實(shí)現(xiàn)輸入數(shù)據(jù)到提取的全部過(guò)程。

4)全連接層

通過(guò)全連接層完成文本多標(biāo)簽分類(lèi)。以下將Softmax函數(shù)作為全連接層的損失函數(shù)，根據(jù)各個(gè)句子的類(lèi)別概率完成文本分類(lèi)。Softmax比較適用在分類(lèi)和回歸任務(wù)中，將獲取的輸出概率進(jìn)行對(duì)比，選取取值最大的作為最終的分類(lèi)結(jié)果。其中，各個(gè)元素的Softmax值如式(5)所示

(5)

其中，卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程如下所示：

1)通過(guò)隨機(jī)值對(duì)全部過(guò)濾器的參數(shù)和權(quán)重進(jìn)行初始化操作。

2)網(wǎng)絡(luò)主要將訓(xùn)練數(shù)據(jù)作為輸入，通過(guò)前向傳播步驟獲取不同類(lèi)別的輸出概率。

3)計(jì)算輸出層的誤差總值。

4)通過(guò)反向傳播計(jì)算權(quán)重的梯度誤差，同時(shí)采用梯度下降法更新濾波器中的權(quán)重取值和參數(shù)[10]。

5)對(duì)訓(xùn)練集中的全部數(shù)據(jù)重復(fù)步驟2)～4)，直至網(wǎng)絡(luò)狀態(tài)穩(wěn)定。

雖然，CNN模型的功能是十分強(qiáng)大的，但是需要進(jìn)化的參數(shù)也是十分多的。以下主要采用粒子群算法對(duì)CNN模型參數(shù)進(jìn)行優(yōu)化，進(jìn)而實(shí)現(xiàn)文本多標(biāo)簽分類(lèi)。

基于卷積神經(jīng)網(wǎng)絡(luò)的復(fù)雜文本多標(biāo)簽分類(lèi)算法是對(duì)文本特征向量進(jìn)行高層次提取和壓縮的過(guò)程。為了得到更加理想的分類(lèi)結(jié)果，以下使用粒子群算法對(duì)卷積神經(jīng)進(jìn)行優(yōu)化，有效解決卷積神經(jīng)網(wǎng)絡(luò)的局部極小值和參數(shù)泛濫等問(wèn)題，具體的操作流程如圖3所示。

圖3 基于粒子群算法的卷積神經(jīng)網(wǎng)絡(luò)優(yōu)化

由于粒子群算法對(duì)于參數(shù)的變化十分敏感，在解決不同問(wèn)題的過(guò)程中，設(shè)置的參數(shù)取值也會(huì)存在十分明顯的差異。但是神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時(shí)間較長(zhǎng)，假設(shè)直接在神經(jīng)網(wǎng)絡(luò)中進(jìn)行參數(shù)調(diào)試，會(huì)浪費(fèi)大量的時(shí)間。為了有效節(jié)省時(shí)間，選取粒子群算法對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化。分析粒子群算法的基本原則，對(duì)粒子群的優(yōu)化速度和位置更新影響力最大的參數(shù)如下所示：

1)慣性權(quán)重ω

當(dāng)ω的取值較大時(shí)，粒子的全局搜索能力較強(qiáng)；反之，局部搜索能力更強(qiáng)。ω的取值主要包含以下幾種情況，如式(6)所示

(6)

2)學(xué)習(xí)因子常量c1和c2

c1和c2兩者的取值大小決定了粒子向更優(yōu)解接近的變化速率。通常情況下，兩者的取值如以下公式所示

(7)

3)粒子群種群數(shù)量pop-size

主要用來(lái)描述粒子群的規(guī)模，規(guī)模越大，則說(shuō)明優(yōu)化耗時(shí)越多。

通過(guò)上述對(duì)比分析，確定最終的參數(shù)組合。當(dāng)粒子群算法確定不同的參數(shù)之后，即可將粒子群算法代入到卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練。當(dāng)樣本規(guī)模較小時(shí)，粒子群算法的尋優(yōu)效果要更好一些；但是當(dāng)規(guī)模較大時(shí)，粒子群算法容易陷入局部最優(yōu)。通過(guò)對(duì)粒子群算法進(jìn)行分析可知，將各個(gè)樣本設(shè)定為神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練的一個(gè)約束。當(dāng)樣本數(shù)量越多[11]，約束也會(huì)相應(yīng)低增加，粒子群算法的探索能力也會(huì)受到不同程度的影響。為了獲取更加精準(zhǔn)的分類(lèi)結(jié)果，需要對(duì)網(wǎng)絡(luò)權(quán)值參數(shù)進(jìn)行訓(xùn)練，直至適應(yīng)度收斂到一定范圍內(nèi)。以下詳細(xì)給出使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行復(fù)雜樣本多標(biāo)簽分類(lèi)的主要操作流程：

1)設(shè)定參數(shù)：

設(shè)定卷積神經(jīng)網(wǎng)絡(luò)中各個(gè)參數(shù)的取值，其中包含粒子的位置和速度等。

2)計(jì)算適應(yīng)度：

分析各個(gè)粒子在卷積神經(jīng)網(wǎng)絡(luò)中的作用，同時(shí)結(jié)合前向傳播進(jìn)行適應(yīng)度計(jì)算，如式(8)所示

(8)

式中，V代表速度；r1和r2代表分布在[0，1]范圍內(nèi)的隨機(jī)變量；pbest(i，t)代表局部搜索最佳位置；gbest(i，t)代表全局搜索最優(yōu)位置。

3)如果誤差能夠收斂到一定范圍內(nèi)，則停止計(jì)算，同時(shí)輸出最優(yōu)值；反之，則通過(guò)式(9)對(duì)粒子的位置和速度進(jìn)行更新

(9)

式中，i代表粒子的索引；Np代表粒子的總數(shù)；t代表當(dāng)前迭代次數(shù)。

4)將經(jīng)過(guò)更新的粒子位置和速度設(shè)定為權(quán)值，全部代入到神經(jīng)網(wǎng)絡(luò)中，同時(shí)使用前向傳播進(jìn)行誤差計(jì)算[12]。

5)返回至步驟3)再次進(jìn)行迭代，直至粒子群算法停止。

6)選取適應(yīng)度靠前的20個(gè)位置不鄰近的粒子，同時(shí)梯度下降法進(jìn)行訓(xùn)練。其中，輸出結(jié)果的最優(yōu)解即為模型的最終參數(shù)。

7)當(dāng)卷積神經(jīng)網(wǎng)絡(luò)模型完成訓(xùn)練后，將數(shù)據(jù)輸入到模型進(jìn)行分類(lèi)。

3 仿真研究

為了驗(yàn)證所提算法的有效性，以基于標(biāo)簽語(yǔ)義注意力的多標(biāo)簽文本分類(lèi)方法和基于質(zhì)心的多標(biāo)簽文本分類(lèi)方法為對(duì)比方法，在表1所示的實(shí)驗(yàn)環(huán)境下進(jìn)行仿真分析：

表1 仿真環(huán)境

實(shí)驗(yàn)主要采用THUCnews數(shù)據(jù)集，其中主要包含體育以及財(cái)經(jīng)等多種類(lèi)型的文本數(shù)據(jù)。

1)分類(lèi)結(jié)果

實(shí)驗(yàn)優(yōu)先對(duì)各個(gè)算法分類(lèi)性能的好壞進(jìn)行對(duì)比，選取召回率和分類(lèi)錯(cuò)誤率作為測(cè)試指標(biāo)，其中，召回率取值越高，分類(lèi)錯(cuò)誤率取值越低，則說(shuō)明分類(lèi)結(jié)果越準(zhǔn)確，具體實(shí)驗(yàn)對(duì)比結(jié)果如圖4所示。

圖4 不同算法的分類(lèi)結(jié)果

分析圖4中的實(shí)驗(yàn)數(shù)據(jù)可知，隨著樣本類(lèi)別數(shù)量的持續(xù)增加，各個(gè)算法的召回率和分類(lèi)錯(cuò)誤率均發(fā)生了明顯的變化。其中所提方法的召回率明顯更高一些，分類(lèi)錯(cuò)誤率明顯更低一些。由此可見(jiàn)，所提算法能夠獲取高精度的分類(lèi)結(jié)果。

2)容錯(cuò)率/%

為了更好驗(yàn)證所提算法的綜合性能，以下實(shí)驗(yàn)測(cè)試重點(diǎn)對(duì)比三種不同算法的容錯(cuò)率，具體實(shí)驗(yàn)結(jié)果如圖5所示。

圖5 容錯(cuò)率

分析圖5中的實(shí)驗(yàn)數(shù)據(jù)可知，隨著實(shí)驗(yàn)次數(shù)的持續(xù)增加，各個(gè)算法的容錯(cuò)率也發(fā)生了十分明顯的變化。由于所提算法進(jìn)行分類(lèi)的過(guò)程中，加入卷積神經(jīng)網(wǎng)絡(luò)對(duì)模型進(jìn)行訓(xùn)練，有效提升了算法的整體性能。

3)分類(lèi)復(fù)雜度/%

以下實(shí)驗(yàn)測(cè)試重點(diǎn)對(duì)比三種不同算法的分類(lèi)復(fù)雜度，具體實(shí)驗(yàn)對(duì)比結(jié)果如表2所示。

表2 不同算法的分類(lèi)復(fù)雜度對(duì)比

分析表2中的實(shí)驗(yàn)數(shù)據(jù)可知，所提算法由于在分類(lèi)的過(guò)程中加入了卷積神經(jīng)網(wǎng)絡(luò)，有效簡(jiǎn)化了算法的操作步驟，最終達(dá)到降低分類(lèi)復(fù)雜度的目的，分類(lèi)復(fù)雜度在三種算法中最低。

4 結(jié)束語(yǔ)

為了更好解決傳統(tǒng)分類(lèi)算法存在的問(wèn)題，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)，提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的復(fù)雜文本多標(biāo)簽分類(lèi)算法。測(cè)試結(jié)果表明，所提算法能夠獲取理想的分類(lèi)效果，降低分類(lèi)復(fù)雜度，同時(shí)提升算法的容錯(cuò)率。