NLP大赛冠军总结：300万知乎多标签文本分类任务(附深度学习源码)

NLP大赛冠军总结：300万知乎多标签文本分类任务(附深度学习源码)

 

 

七月，酷暑难耐，认识的几位同窗参加知乎看山杯，均取得不错的排名。当时天池AI医疗大赛初赛结束，官方正在为复赛进行平台调试，复赛时间一拖再拖。看着几位同窗在比赛中排名都还很不错，因而决定抽空试一试。结果一发不可收拾，又找了两个同窗一块儿组队（队伍init）以致于整个暑假都投入到这个比赛之中，并最终以必定的优点夺得第一名。 1. 比赛介绍 这是一个文本多分类的问题：目标是“参赛者根据知乎给出的问题及话题标签的绑定关系的训练数据，训练出对未标注数据自动标注的模型”。通俗点讲就是：当用户在知乎上提问题时，程序要可以根据问题的内容自动为其添加话题标签。一个问题可能对应着多个话题标签，以下图所示。   这是一个文本多分类，多label的分类问题（一个样本可能属于多个类别）。总共有300万条问题-话题对，超过2亿词，4亿字，共1999个类别。 1.1 数据介绍 参考 https://biendata.com/competition/zhihu/data/ https://biendata.com/competition/zhihu/rules/?next_url=%2Fcompetition%2Fzhihu%2Fdata%2F   总的来讲就是： 数据通过脱敏处理，看到的不是“如何评价2017知乎看山杯机器学习比赛”，而是“w2w34w234w54w909w2343w1'这种通过映射的词的形式，或者是”c13c44c4c5642c782c934c02c2309c42c13c234c97c8425c98c4c340'这种通过映射的字的形式。 由于词和字通过脱敏处理，因此没法使用第三方的词向量，官方特意提供了预训练好的词向量，即char_embedding.txt和word_embedding.txt ，都是256 维。 主办方提供了1999个类别的描述和类别之间的父子关系（好比机器学习的父话题是人工智能，统计学和计算机科学），但这个知识没有用上。 训练集包含300万条问题的标题（title），问题的描述（description）和问题的话题（topic） 测试集包含21万条问题的标题（title）,问题的描述(description)，须要给出最有可能的5个话题（topic） 1.2 数据处理 数据处理主要包括两部分： char_embedding.txt 和 word_embedding.txt 转为numpy格式，这个很简单，直接使用word2vec的python工具便可 对于不一样长度的问题文本，pad和截断成同样长度的（利用pad_sequence 函数，也能够本身写代码pad）。过短的就补空格，太长的就截断。操做图示以下：         1.3 数据加强 文本中数据加强不太常见，这里咱们使用了shuffle和drop两种数据加强，前者打乱词顺序，后者随机的删除掉某些词。效果举例如图：       1.4 评价指标 每一个预测样本，提供最有可能的五个话题标签，计算加权后的准确率和召回率，再计算F1值。注意准确率是加权累加的，意味着越靠前的正确预测对分数贡献越大，同时也意味着准确率可能高于1，可是F1值计算的时候分子没有乘以2，因此0.5是很难达到的。   2 模型介绍 建议你们先阅读这篇文章，了解文本多分类问题几个经常使用模型：用深度学习（CNN RNN Attention）解决大规模文本分类问题 https://zhuanlan.zhihu.com/p/25928551   2.1 通用模型结构 文本分类的模型不少，此次比赛中用到的模型基本上都遵循如下的架构：           基本思路就是，词（或者字）通过embedding层以后，利用CNN/RNN等结构，提取局部信息、全局信息或上下文信息，利用分类器进行分类，分类器的是由两层全链接层组成的。 在开始介绍每一个模型以前，这里先下几个结论： 若是你的模型分数不够高，试着把模型变得更深更宽更复杂 当模型复杂到必定程度的时候，不一样模型的分数差距很小 当模型复杂达到必定程度，继续变复杂难以继续提高模型的分数   2.2 TextCNN 这是最经典的文本分类模型，这里就不细说了，模型架构以下图：         和原始的论文的区别就在于： 使用两层卷积 使用更多的卷积核，更多尺度的卷积核 使用了BatchNorm 分类的时候使用了两层的全链接 总之就是更深，更复杂。不过卷积核的尺寸设计的不够合理，致使感觉野差距过大。 2.3 TextRNN 没找到论文，我就凭感受实现了一下：           相比于其余人的作法，这里的不一样点在于： 使用了两层的双向LSTM。 分类的时候不是只使用最后一个隐藏元的输出，而是把全部隐藏元的输出作K-MaxPooling再分类。 2.4 TextRCNN 参考原论文的实现，和RNN相似，也是两层双向LSTM，可是须要和Embedding层的输出Concat(相似于resnet的shortcut直连)。         2.5 TextInception 这个是我本身提出来的，参照TextCNN的思想（多尺度卷积核），模仿Inception的结构设计出来的，一层的Inception结构以下图所示，比赛中用了两层的Inception结构，最深有4层卷积，比TextCNN更深。         2.6 训练方法 要点： 基于词和基于字的模型要分开训，而后融合，一块儿训的效果很差 使用官方给的word-embedding.txt和char-embedding.txt初始化Embedding层的权重 刚开始训练的时候Embedding层的学习率为0，其它层的学习率为1e-3，采用Adam优化器（一开始的时候卷积层都是随机初始化的，反向传播获得的Embedding层的梯度受到卷积层的影响，至关于噪声） 训练1-2个epoch以后，Embedding层的学习率设为2e-4 每一个epoch或者半个epoch统计一次在验证集的分数 若是分数上升，保存模型，并记下保存路径 若是分数降低，加载上一个模型的保存路径，并下降学习率为一半（从新初始化优化器，清空动量信息，而不是只修改学习率----使用PyTorch的话新建一个新优化器便可） 2.7 各个模型分数计算 训练的时候，每一个模型要么只训练基于词（word）的模型，要么只训练基于字（char）的模型。各个模型的分数都差很少，这里再也不单独列出来了，只区分训练的模型的类型和数据加强与否。         能够看出来 基于词的模型效果远远好于基于字的（说明中文分词颇有必要）。 数据加强对基于词（word）的模型有必定的提高，可是对于基于字（char）的模型主要是起到反作用。 各个模型之间的分数差距不大。   2.8 模型融合 像这种模型比较简单，数据量相对比较小的比赛，模型融合是比赛获胜的关键。 在这里，我只使用到了最简单的模型融合方法-----几率等权重融合。对于每一个样本，单模型会给出一个1999维的向量，表明着这个模型属于1999个话题的几率。融合的方式就是把每个模型输出的向量直接相加，而后选择几率最大的5个话题提交。结构如图所示：         下面咱们再来看看两个模型融合的分数：         第一列的对比模型采用的是RNN（不采用数据加强，使用word做为训练数据），第二列是四个不一样的模型（不一样的结构，或者是不一样的数据）。 咱们能够得出如下几个结论： 从第一行和第二行的对比之中咱们能够看出，模型差别越大提高越多（RNN和RCNN比较类似，由于他们底层都采用了双向LSTM提取特征），虽然RCNN的分数比Inception要高，Inception对模型融合的提高更大。 从第一行和第四行的对比之中咱们能够看出，数据的差别越大，融合的提高越多，虽然基于字（char）训练的模型分数比较低，可是和基于词训练的模型进行融合，仍是能有极大的提高。 采用数据加强，有助于提高数据的差别性，对模型融合的提高帮助也很大。 总结： 差别性越大，模型融合效果越好。没有差别性，创造条件也要制造差别性。 另外模型融合还有个规律：越往上越难提高,有些模型在你分数较低的时候，对融合提高很明显，当你分数较高的时候就没什么帮助，甚至会有干扰 2.9 MultiModel 其实模型融合的方式，咱们换一种角度考虑，其实就是一个很大的模型，每个分支就像多通道的TextCNN同样。那么咱们能不能训练一个超级大的模型？答案是能够的，可是效果每每不好。由于模型过于复杂，太难以训练。这里我尝试了两种改进的方法。 第一种方法，利用预训练好的单模型初始化复杂模型的某一部分参数，模型架构如图所示：           可是这种作法会带来一个问题： 模型过拟合很严重，难以学习到新的东西。由于单模型在训练集上的分数都接近0.5，已经逼近理论上的极限分数，这时候很难接着学习到新的内容。这里采起的应对策略是采用较高的初始学习率，强行把模型从过拟合点拉出来，使得模型在训练集上的分数迅速下降到0.4左右，而后再下降学习率，缓慢学习，提高模型的分数。 第二种作法是修改预训练模型的embedding矩阵为官方给的embedding权重。这样共享embedding的作法，可以必定程度上抑制模型过拟合，减小参数量。虽然CNN/RNN等模型的参数过拟合，可是因为相对应的embedding没有过拟合，因此模型一开始分数就会降低许多，而后再缓慢提高。这种作法更优。在最后提交模型复现成绩的时候，我只提交了七个这种模型，里面包含着不一样子模型的组合，通常包含3-4个子模型。这种方式生成的权重文件也比较小（600M-700M左右），上传到网盘相对来讲更方便。         2.10 失败的模型或没什么用的方法 MultiMode只是我诸多尝试的方法中比较成功的一个，其它方法大多以失败了结（或者效果不明显） 数据多折训练：由于过拟合严重，想着先拿一半数据训，容许它充分过拟合，而后再拿另一半数据训。效果不如以前的模型。 Attention Stack，参考了这篇文章，其实本质上至关于调权重，可是效果有限，还麻烦，因此最后直接用等权重融合（权重全设为1）。   Stack，太费时费力，浪费了很多时间，也有多是实现有误，提高有限，没有继续研究下去。 Boost，和第二名Koala的方法很像，先训一个模型，而后再训第二个模型和第一个模型的输出相加，可是固定第一个模型的参数。至关于不停的修正上一个模型误判的(能够尝试计算一下梯度，你会发现第一个模型已经判对的样本，即便第二个模型判别错了，第二个模型的梯度也不会很大，即第二个模型不会花费太多时间学习这个样本）。可是效果很差，缘由：过拟合很严重，第一个模型在训练集上的分数直接就逼近0.5，致使第二个模型什么都没学到。Koala队伍最终就是凭借着这个Boost模型拿到了第二名，我过早放弃，没能在这个方法上有所突破十分遗憾。 TTA（测试时数据加强），至关于在测试的时候人为的制造差别性，对单模型的效果通常，对融合几乎没有帮助。 Hyperopt进行超参数查询，主要用来查询模型融合的权重，效果通常，最后就也没有使用了，就手动稍微调了一下。 label设权重，对于正样本给予更高的权重，训练模型，而后和正常权重的模型进行融合，在单模型上可以提高2-3个千分点（十分巨大），可是在最后的模型融合是效果颇有限（0.0002），并且须要调整权重比较麻烦，遂舍弃。 用分类获得的词向量做为下一个模型的embedding的初始值，由于官方给的word embedding是用无监督的word2vec训练的，和有监督的分类问题仍是有必定误差的。没有深刻研究下去，对单模型应该是有提高，可是对融合可能没什么帮助。 3 结束语 我以前虽然学过CS224D的课程，也作了前两次的做业，可是除此以外几乎历来没写过天然语言处理相关的代码，能拿第一离不开队友的支持，和同窗们不断的激励。 此次比赛入门对我帮助最大的两篇文章是用深度学习（CNN RNN Attention）解决大规模文本分类问题 https://zhuanlan.zhihu.com/p/25928551 和deep-learning-nlp-best-practices http://ruder.io/deep-learning-nlp-best-practices/index.html 第一篇是北邮某学长（但我并不认识~）写的，介绍了许多文本分类的模型（CNN/RNN/RCNN），对我入门帮助很大。 第二篇是国外某博士写的，当时我已经把分数刷到前三，在家看到了这篇文章，叹为观止，解释了我不少的疑惑，提到的不少经验总结和个人状况也确实相符。https://zhuanlan.zhihu.com/p/28923961