于偉杰，楊文忠，任秋如

(新疆大學(xué)信息科學(xué)與工程學(xué)院，新疆 烏魯木齊 830046)

0 引言

近年來中國互聯(lián)網(wǎng)高速發(fā)展，APP和網(wǎng)站數(shù)量都有了前所未有的提升，智能手機的快速普及使得普通人都可以通過手機在網(wǎng)絡(luò)上表達自己的思想，讓生產(chǎn)內(nèi)容從原先的陽春白雪走向了下里巴人，每個人都是內(nèi)容的生產(chǎn)者，因此生產(chǎn)了大量數(shù)據(jù)，信息爆炸的時代就此來臨.但是從海量的爆炸信息中挖掘數(shù)據(jù)之間隱藏的關(guān)系，是許多科研人員密切關(guān)心的問題，探索過程中誕生了許多知名技術(shù)，用戶畫像便是其中的佼佼者.交互設(shè)計之父曾經(jīng)說過：“用戶畫像是真實用戶的虛擬表示，是基于用戶的真實數(shù)據(jù)挖掘和構(gòu)建的目標(biāo)用戶模型.”[1]根據(jù)目標(biāo)用戶畫像，企業(yè)能夠精準(zhǔn)營銷、精準(zhǔn)投放；設(shè)計師能夠設(shè)計和優(yōu)化產(chǎn)品；分析師能夠豐富和充實行業(yè)報告.[2-3]

構(gòu)建用戶畫像模型的方法中，目前主流的方法是給用戶貼標(biāo)簽，用具體的屬性詞來描述用戶屬性和興趣愛好，這時的關(guān)鍵詞可以采用多種方式來生成，可以是機器學(xué)習(xí)模型、神經(jīng)網(wǎng)絡(luò)模型和規(guī)則分析.例如，Cha等[4]在計算影響力的方式上進行了改進，改進的具體內(nèi)容是將更多的內(nèi)容加入到影響力因素上，比如推特用戶的用戶關(guān)注數(shù)、被轉(zhuǎn)發(fā)和點贊的次數(shù)，從而分析用戶的行為，得出用戶的屬性和興趣愛好.經(jīng)過對比實驗證明，與單純使用行為特征的單一特征算法相比，引入更多特征Cha的實驗結(jié)果更好.但是由于用戶行為的復(fù)雜性和多樣性，再加上推特中含有大量的雜質(zhì)信息，因此模型效果還有改進的空間.費鵬等[5]在之前研究的基礎(chǔ)上，融合多視角，提出了新的建?？蚣?，該框架使用兩種方式對用戶進行建模，從而構(gòu)建了多源特征，在將數(shù)據(jù)維度提高后，為了避免“維度詛咒”問題，引入了雙層Xgboost(Extremegradientboosting)的多視角模型，從而較好地解決了問題.由于數(shù)據(jù)的不連貫性，盡管該方法從多角度構(gòu)建了多元特征，但是沒有使用數(shù)據(jù)中的深層語義信息.神經(jīng)網(wǎng)絡(luò)的大熱，使得NLP相關(guān)人員也開始使用神經(jīng)網(wǎng)絡(luò)提取數(shù)據(jù)中的深層語義信息.Collobert等[6-7]是最早開始研究將CNN引入到NLP任務(wù)中的，經(jīng)過測試，實驗結(jié)果有了明顯提升，許多學(xué)者接連在文檔分類任務(wù)中使用CNN[8-10].例如李恒超等[11]就在建模過程中引入了CNN的算法，從而提出新的框架.框架分為二級：在第一級框架中，引入淺層神經(jīng)網(wǎng)絡(luò)模型與機器學(xué)習(xí)算法對文本數(shù)據(jù)進行處理；在第二級框架中，對于多個Xgboost模型引入Stacking進行融合.實驗結(jié)果數(shù)據(jù)顯示，該框架的實驗結(jié)果相較對比實驗有明顯地提升，但是缺點也很明顯，就是文章使用的是淺層神經(jīng)網(wǎng)絡(luò)，無法獲取文本的深層語義信息，對于具有強語義關(guān)聯(lián)的文本實驗結(jié)果較差.對此，陳巧紅等[12]在分析了缺點之后，提出了一種基于集成學(xué)習(xí)框架的用戶畫像方法.該方法開始探索對不同長度的用戶文本采用機器學(xué)習(xí)和深度學(xué)習(xí)的算法，取得了良好的效果；但是語義編碼模塊使用的是基礎(chǔ)的BERT方法，文字按照字劃分，失去中文獨特的詞語特性.

本文對文獻[12]提出的集成學(xué)習(xí)框架進行改善和優(yōu)化，提出了一種基于全詞BERT的集成用戶畫像方法，提升其泛化和分類能力.對不同特征采用不同分類器進行處理，用改進的集成算法決定集成的權(quán)重參數(shù)，取得最終的輸出結(jié)果.

1 方法設(shè)計

1.1 整體流程

本文提出了一種基于全詞BERT的集成用戶畫像方法來給用戶“貼標(biāo)簽”.如圖1所示，將用戶的不同形式文本輸入模型后，多個分類器會對文本進行分類，使用改進后的集成算法確定各分類器的權(quán)重，最后投票確定結(jié)果.具體流程如下：

圖1 集成算法結(jié)構(gòu)圖

步驟1 輸入不同形式的文本數(shù)據(jù)集并進行預(yù)處理.

步驟2 對預(yù)處理后的數(shù)據(jù)集，一方面采用TF-IDF提取用戶用詞習(xí)慣特征，將特征分別輸入LR模型、SVM模型；另一方面，使用全詞BERT模型挖掘文本的深層語義信息.

步驟3 根據(jù)各個分類器的預(yù)測結(jié)果輸入到改進的集成學(xué)習(xí)加權(quán)投票分類器中，得出最終分類結(jié)果.

1.2 用戶用詞特征構(gòu)建整體流程

TFIDF[13]作為文本特征提取方法，核心是評估數(shù)據(jù)集中每個字詞的重要性.該方法認(rèn)為字詞的重要性與文檔中出現(xiàn)的次數(shù)和語料庫中出現(xiàn)的頻率有關(guān)，具體來說，跟前者成正比，而跟后者成反比.[14]

TFIDF=TF×IDF#.

(1)

TF是單詞termfrequency的縮寫，單詞的漢語解釋是詞頻，具體來說就是詞匯在文檔出現(xiàn)的次數(shù)，IDF是單詞inversedocumentfrequency的縮寫，漢語解釋的意思是逆文檔頻率，主要作用是進行文檔的區(qū)分，計算流程是統(tǒng)計具有詞匯t的文檔數(shù)量，數(shù)量與IDF的值成反比，而IDF的值代表了辨識性和類別區(qū)分能力.

TFIDF的計算公式為

(2)

其中：TF(w，d)代表詞匯w在文檔d中出現(xiàn)的次數(shù)，N代表數(shù)據(jù)集中的文檔個數(shù)，DF(W)代表整個數(shù)據(jù)集中包含詞匯w的文檔個數(shù).

1.2 分類算法對比

本文集成學(xué)習(xí)模塊使用了兩種分類算法，兩種分類算法的原理及缺點見表1.

表1 兩種分類算法對比

1.3 Transformer的語義編碼

Transformer[15]是在encoder-decoder框架上做的改進，結(jié)構(gòu)分解后主要包括編碼和解碼兩大部分.編碼部分中編碼器的數(shù)量可以根據(jù)具體實驗中數(shù)據(jù)集的大小調(diào)整，但是結(jié)構(gòu)必須相同，且不共享參數(shù).解碼部分的解碼器數(shù)量也是可以調(diào)整的，但必須與編碼器的數(shù)量相等.兩者結(jié)構(gòu)比較相似，相同的部分是都有自注意力層和前饋神經(jīng)網(wǎng)絡(luò)層，但是不同之處也有，比如相較于編碼器，解碼器多了一層編碼-解碼注意力層，工作流程是先對輸入序列進行處理，生成向量列表，向量列表中包含位置信息，然后用自注意力層對向量進行處理，處理后每個向量中的每個句子的每個字都包含該句的全部信息，然后向量就可以傳給前饋神經(jīng)網(wǎng)絡(luò)層，一個編碼器的流程就完成了，經(jīng)過全部編碼器處理完畢后，會將其輸出到解碼器中，解碼階段重復(fù)進行處理，直到到達一個特殊的終止符號完成.由于在編碼和解碼的過程中大量使用了self-attention，能夠?qū)崿F(xiàn)快速并行，相較于原先使用RNN作為特征提取器，訓(xùn)練速度有了較大提升，并且可以擴展神經(jīng)網(wǎng)絡(luò)的深度，從而充分利用DNN模型的特性，提升模型訓(xùn)練的準(zhǔn)確率.編碼器中的TransformerBlock如圖2所示.

圖2 Transformer編碼單元結(jié)構(gòu)圖

1.4 全詞BERT

由于中文的一詞多義性，因此目前有大量的多義詞在日常和書寫的中文數(shù)據(jù)語料中被廣泛使用.如“我今天把黑色墨水用完了，需要買一瓶新的”與“他肚子里有很多墨水，出版了許多優(yōu)秀為散文和詩詞”.在這兩個句子中，“墨水”一詞雖然都是同一個，但是深層語義卻不同，而且傳統(tǒng)的詞向量方法是無法表示詞的深層語義，也無法表示詞的多義性，因此本文改用的全詞BERT[16]模型，從而能夠較好地解決詞的多義性問題.

BERT模型訓(xùn)練過程如圖3所示，圖3中Ei是指的單個字或詞，Trm代表上述的Transformer編碼器，Ti指的是最終計算得出的隱藏層.根據(jù)之前Transformer的原理簡述，Transformer可以得到輸入的句子序列中的每一個字，并且由于采用了不同的訓(xùn)練方式，即雙向，因此在訓(xùn)練出的向量中，任意一個字向量都包含了該句的信息.

圖3 BERT訓(xùn)練過程圖

不過由于原先發(fā)布的BERT-base(Chinese)是由谷歌進行訓(xùn)練的，因此沒有考慮中文特有的需要，中文不是以詞為粒度，而是以字為粒度進行切分，因此對中文的任務(wù)效果還能有進一步的提升.因此在2019年5月31日，針對原先訓(xùn)練存在的不足，谷歌對BERT進行了改進，發(fā)布了BERT的升級版本技術(shù)whole word masking(wwm)，該技術(shù)對訓(xùn)練樣本的生成方式進行了改動，將字為粒度改成以詞為粒度.在采用wwm技術(shù)之后，經(jīng)實驗證明后，全詞mask比字粒度的BERT在中文任務(wù)上有更好的表現(xiàn)[17].

在本文使用的預(yù)處理模型是哈爾濱工業(yè)大學(xué)公布的基于全詞遮罩(whole word masking)技術(shù)的中文與訓(xùn)練模型BERT-wwm-ext[18].

1.5 基于集成學(xué)習(xí)的加權(quán)投票算法

為了發(fā)揮使用關(guān)鍵詞構(gòu)建特征的兩種分類方法的和提取語義深層信息的全詞BERT的優(yōu)勢并進一步提高分類的準(zhǔn)確性，通過對分類算法的對比，在得到算法的分類結(jié)果后，采用多分類器的集合進行多數(shù)表決.投票主要分為硬投票和軟投票，硬投票就是最簡單的少數(shù)服從多數(shù)在投票算法中的應(yīng)用.而軟投票，也被稱為加權(quán)投票算法，通過輸入權(quán)重為不同的分類器設(shè)置不同的權(quán)重，從而區(qū)分不同分類器的重要性.而權(quán)重的大小基本取決于每個基分類器的正確率，得到每個類的加權(quán)平均值之后，選擇值最大作為分類結(jié)果[19].

偽代碼如下：

輸入：訓(xùn)練集D={(x1，y1)，(x2，y2)，…，(xm，ym)}；

基學(xué)習(xí)器L1，L2，…，L4；

過程：Step2：for 1，2，…，4 do，

Step3：ht=Lt(x)，

Step：end for；

Step6：H(x)=C；

1.6 基于梯度上升算法的權(quán)重選擇

梯度上升算法是一種優(yōu)化算法，與梯度下降算法相反，該算法優(yōu)化的目的是求目標(biāo)最大值，不過與梯度下降的許多流程是相似的，比如說優(yōu)化的路線仍然是函數(shù)的梯度方向，只不過是把更新中的減號變成了加號.軟投票作為一種傳統(tǒng)的加權(quán)投票算法，雖然相較硬投票的少數(shù)服從多數(shù)方法考慮了每個分類器的權(quán)重，但是具體權(quán)重的計算方法仍有改善空間.因此在本文中，對權(quán)重選擇方法進行了改進，使用各基分類器的5次交叉驗證的正確率(ACC)結(jié)果組成訓(xùn)練集，為梯度上升算法的輸入，將步長設(shè)置為0.001，可以快速得到各基分類器加權(quán)投票的權(quán)重.

θi的更新公式為

其中α為步長.

梯度上升的偽代碼：

輸入：多分類器輸出結(jié)果集D={(x1，y1)，(x2，y2)，…，(xm，ym)}；

過程：step1：初始化所有θ=1，α=0.001，

Step2：for 1，2，…，mdo，

Step6：end for；

輸出：θi.

2 實驗結(jié)果及結(jié)果分析

2.1 數(shù)據(jù)集

本文實驗(1)采用的是第七屆CCF大數(shù)據(jù)與計算智能大賽中有關(guān)搜狗用戶畫像比賽的數(shù)據(jù)，數(shù)據(jù)主體部分是用戶查詢數(shù)據(jù)；實驗(2)采用的是2016smp_cup微博用戶畫像大賽提供的數(shù)據(jù)，數(shù)據(jù)主體部分是微博內(nèi)容.由于這兩個數(shù)據(jù)集的數(shù)據(jù)較為不平衡，使用爬蟲數(shù)據(jù)進行補充，同時采用人工對數(shù)據(jù)進行了干預(yù)，讓每個種類的數(shù)據(jù)的數(shù)量為10 000.為了實驗結(jié)果具有對比性，采用相同的分類標(biāo)簽，即用戶的性別、年齡.實驗數(shù)據(jù)舉例見表2.

表2 實驗數(shù)據(jù)舉例

2.2 衡量指標(biāo)

在本文的實驗數(shù)據(jù)中采用性別、年齡這兩個標(biāo)簽來進行結(jié)果驗證，性別對應(yīng)的分類是二分類，而年齡對應(yīng)的分類是六分類.其中對年齡標(biāo)簽采取數(shù)據(jù)分享技術(shù)[20]，含義是將年齡分段，以段作為年齡分類的類別.最后用準(zhǔn)確率對結(jié)果好壞進行判斷，準(zhǔn)確率來源于混淆矩陣，見表3.

表3 分類結(jié)果混淆矩陣

準(zhǔn)確率表示預(yù)測該類別正確的數(shù)量占總樣本數(shù)目的比例，公式為

(4)

2.3 結(jié)果分析

為了驗證所提出方法的有效性，本文采用消融實驗進行驗證，即分別使用了邏輯回歸、支持向量機、全詞BERT模型和本文方法進行對比實驗.

在實驗過程中，為了選擇最佳參數(shù)，使用控制變量法進行參數(shù)選擇，控制變量法的做法是在選擇最優(yōu)參數(shù)的過程中，控制其他所有參數(shù)保持不變.傳統(tǒng)機器學(xué)習(xí)方法采取5次交叉驗證來保持結(jié)果的準(zhǔn)確性.具體參數(shù)選擇見表4.

表4 兩上實驗最佳參數(shù)

通過修改后的集成算法對算法LR、SVM和全詞BERT集成，權(quán)重參數(shù)分別為0.184，0.070和0.746.

模型參數(shù)取不同的值會得到不同的實驗結(jié)果，在實驗的過程中，均選取最佳參數(shù)進行實驗，實驗(1)結(jié)果如表5所示，實驗(2)結(jié)果如表6所示.

表5 實驗(1)結(jié)果 %

表6 實驗(2)結(jié)果 %

表5顯示的是在以用戶查詢詞為主要文本的數(shù)據(jù)集上，本文方法和其他分類方法的比較.分析實驗結(jié)果，可以得出當(dāng)數(shù)據(jù)集的主要內(nèi)容是用戶查詢詞時，本文方法與其他分類方法的準(zhǔn)確率差距不是很大，對此重新分析數(shù)據(jù)集，推測可能是數(shù)據(jù)集中文本的內(nèi)容是沒有關(guān)聯(lián)的查詢詞，查詢詞是沒有規(guī)律的順序，并且詞語前后語義關(guān)聯(lián)性很小，因此神經(jīng)網(wǎng)絡(luò)挖掘與分析文本內(nèi)部的深層語義信息的優(yōu)點無法發(fā)揮，不僅不會獲取到更多有用的語義信息，甚至?xí)驗槠渥陨砩顚拥木W(wǎng)絡(luò)結(jié)構(gòu)讓過擬合現(xiàn)象更容易發(fā)生.

表6顯示了在以微博用戶文本數(shù)據(jù)為主要文本的數(shù)據(jù)集上本文方法和其他分類方法的比較.從實驗結(jié)果的對比中可以得出，當(dāng)數(shù)據(jù)集的主要內(nèi)容是具有上下文聯(lián)系和一定語義邏輯的文本時，全詞BERT模型的效果更好，對數(shù)據(jù)分析之后，推測是由于數(shù)據(jù)集中的微博文本相對于用戶查詢詞的數(shù)據(jù)集，微博文本作為連續(xù)的語義文本，語句之間有明顯的連貫性并且詞語的多義性開始影響對句子的理解，而本文其他機器學(xué)習(xí)分類方法使用的用戶用詞特征，明顯對時序性和深層語義的學(xué)習(xí)有限.但是在引入全詞BERT模型后，實驗的分類準(zhǔn)確率確實有了較大提升，說明全詞BERT模型引入是有效果的，全詞BERT模型確實能夠充分挖掘文本的時序性和深層語義關(guān)聯(lián)性.

本文從查詢詞和微博文本兩個數(shù)據(jù)集出發(fā)，經(jīng)實驗發(fā)現(xiàn)通過改進的集成學(xué)習(xí)投票機制能夠結(jié)合不同算法的優(yōu)點，提高了泛用性，能夠適應(yīng)不同形式的文本.表5和6的數(shù)據(jù)證明了本文方法確實效果好于單一的方法.

綜上可知，本文提出的基于全詞BERT的集成用戶畫像方法較好地解決了本文提出的問題，且效果較好.

2.4 與其他方法的比較

將論文公開代碼中的數(shù)據(jù)集統(tǒng)一換成本文實驗的數(shù)據(jù)集，參數(shù)選擇默認(rèn)參數(shù)，各種方法對比結(jié)果見表7和8.結(jié)果顯示，本文方法在準(zhǔn)確率上有較大提升.綜上所述，本文方法在用戶畫像的分類上優(yōu)于文獻[11-12]的方法.表7為使用實驗(1)的數(shù)據(jù)結(jié)果，表8為使用實驗(2)的數(shù)據(jù)結(jié)果.

表7 在用戶查詢詞的對比實驗 %

表8 在微博文本的對比實驗 %

3 結(jié)論

本文提出了一個基于全詞BERT的集成用戶畫像方法.該方法采用不同的分類器處理不同的特征，使用梯度上升決定軟投票的權(quán)重，從而提升了泛化力和準(zhǔn)確率.

本文雖然使用多用特征和分類器對用戶畫像建模，但是現(xiàn)在的主流數(shù)據(jù)已經(jīng)是多模態(tài)數(shù)據(jù)，特別是短視頻的流行，對用戶畫像建模產(chǎn)生了較大沖擊，因此模型下一步的改進就是引入多模態(tài)數(shù)據(jù)，讓用戶畫像的屬性更加全面和準(zhǔn)確.