在線學(xué)習(xí)情感分類模型研究

邱寧佳，沈卓睿，胡小娟，王鵬，高奇

（1.長(zhǎng)春理工大學(xué) 計(jì)算機(jī)科學(xué)技術(shù)學(xué)院，長(zhǎng)春 130022；2.國(guó)網(wǎng)吉林省電力有限公司電力科學(xué)研究院，長(zhǎng)春 130022）

隨著Web 2.0社區(qū)的快速發(fā)展，社交媒體服務(wù)提供商為用戶提供了一種方便的方式來共享和創(chuàng)建自己的內(nèi)容，如在線評(píng)論、博客、微博等。通過計(jì)算模型從社交中了解這些文本的情感是一個(gè)重要的問題，因?yàn)檫@樣的模型將幫助人們識(shí)別社會(huì)事件并做出更好的決策（例如，對(duì)庫存市場(chǎng)的投資、對(duì)觀看電影的選擇等）［1］。在線梯度下降是一種最基本的在線學(xué)習(xí)算法，它解決了傳統(tǒng)算法無法實(shí)時(shí)處理數(shù)據(jù)更新模型的問題，但是得到的稀疏性不理想。Mcmahan等人提出FTRL算法，使參數(shù)學(xué)習(xí)率可根據(jù)不同特征的特點(diǎn)自行調(diào)整，實(shí)踐證明算法具有較好的廣告點(diǎn)擊預(yù)測(cè)效果［2］。Yang等人通過損失函數(shù)的逐漸變化來限制算法的悔界，使得FTRL算法具有漸進(jìn)變化約束的在線非光滑優(yōu)化功能［3］。Ta等人將FTRL算法融入到二階因式分解機(jī)中，提出了具有更快收斂速度的FTRFL算法［4］。Huynh等人提出了FTRL-ADP算法，解決嘈雜環(huán)境中的概念漂移問題［5］。Sun等人結(jié)合自適應(yīng)濾波原理，設(shè)計(jì)了FTRLS自適應(yīng)濾波算法處理線性調(diào)頻信號(hào)，可以有效地恢復(fù)干擾噪聲的啁啾信號(hào)［6］。Orabona等人通過尺度不變性實(shí)現(xiàn)對(duì)損耗矢量的范數(shù)的適應(yīng)性，使基于FTRL的算法適用于任何有界或無界的決策集［7］。McMahan通過將易于重復(fù)使用的引理中的關(guān)鍵參數(shù)隔離開來，強(qiáng)化了FTRL分析技術(shù)，達(dá)到與原始對(duì)偶分析一樣嚴(yán)格的界限［8］。

學(xué)習(xí)率是影響在線學(xué)習(xí)算法結(jié)果的重要因素，好的學(xué)習(xí)率能保證算法快速而準(zhǔn)確的收斂到最優(yōu)值。Kingma等人通過引入和修正一、二階矩估計(jì)，提出了Adam算法，適用于非平穩(wěn)目標(biāo)和具有噪聲或稀疏梯度的問題［9］。Erven等人提出了MetaGrad方法，它的學(xué)習(xí)率不會(huì)隨著時(shí)間的推移而單調(diào)遞減，并且適應(yīng)各種類型的隨機(jī)和非隨機(jī)函數(shù)［10］。Timothy等人通過將Nesterov加速梯度法融入到Adam算法，提出了Nadam算法，提高了梯度下降的收斂速度和學(xué)習(xí)模型的效果［11］。然而自適應(yīng)學(xué)習(xí)率算法應(yīng)用在目標(biāo)識(shí)別、機(jī)器翻譯等領(lǐng)域中時(shí)，得到的優(yōu)化效果可能不如SGD算法。McMahan和Streeter將AdaGrad進(jìn)行擴(kuò)展，提出了延遲容忍算法，當(dāng)延遲變大時(shí)，性能明顯優(yōu)于標(biāo)準(zhǔn)自適應(yīng)梯度方法［12］。Reddi指出Adagrad算法的關(guān)鍵缺陷，使用指數(shù)滑動(dòng)平均值解決了學(xué)習(xí)率隨著迭代次數(shù)的增加而變小的問題［13］。Zhang等人提出了AEDR算法，能夠自適應(yīng)計(jì)算指數(shù)衰減率，并可將Adadelta和Adam超參數(shù)量減少［14］。Chen等人提出了Ada-PGD算法，結(jié)合Adagrad和近端梯度下降法，使ADAE具有優(yōu)異的異常檢測(cè)性能［15］。

為了提高自適應(yīng)學(xué)習(xí)率優(yōu)化算法的效果，Smith等人提出了周期性學(xué)習(xí)率方法，只需較少的迭代次數(shù)便可達(dá)到較高的準(zhǔn)確率［16］。Loshchilov等人提出了SGDR算法，能夠減少模型迭代次數(shù)，并將熱啟動(dòng)擴(kuò)展到修復(fù)權(quán)重衰減的Adam算法上［17］。陸陽等人在建模基礎(chǔ)上，通過為表示情緒特性的軸兩端建立模型，使其轉(zhuǎn)換成二層分類器進(jìn)行加權(quán)判別，提出了一種在四分類坐標(biāo)下建立高斯混合模型進(jìn)行音樂信號(hào)歸類的研究方法，解決了音樂情感復(fù)雜難以歸類的問題［18］。殷宏威等人通過引入組相似度概念，提出一種改進(jìn)算法，使得當(dāng)待測(cè)樣本位于易判區(qū)域時(shí)，減少KNN大量無用計(jì)算，能很快得出判定結(jié)果［19］。

本文借鑒Adadelta模擬牛頓迭代求解和Adam對(duì)參數(shù)更新量進(jìn)行偏差修正，得到改進(jìn)的學(xué)習(xí)率優(yōu)化算法替換原學(xué)習(xí)率，得到在線學(xué)習(xí)LR模型，并以此模型作為情感分類工具，構(gòu)建完整的在線學(xué)習(xí)情感分類體系。

1 改進(jìn)學(xué)習(xí)率的FTRL-Proximal算法

1.1 改進(jìn)的學(xué)習(xí)率優(yōu)化算法

Adadelta算法解決了Adagrad算法學(xué)習(xí)率總是衰減、左右更新單位不統(tǒng)一的問題，并具有不需手動(dòng)設(shè)置初始學(xué)習(xí)率的優(yōu)點(diǎn)，訓(xùn)練前中期具有良好的加速度，缺點(diǎn)是訓(xùn)練后期易在極值附近發(fā)生抖動(dòng)。Adam算法在Adagrad算法基礎(chǔ)上，引入和修正梯度的一、二階矩估計(jì)，使參數(shù)更新較平穩(wěn)，避免了頻繁抖動(dòng)，因此訓(xùn)練后期能夠更快的尋到最優(yōu)值，但仍依賴手動(dòng)輸入全局初始學(xué)習(xí)率。

為了改善Adadelta算法訓(xùn)練后期的頻繁抖動(dòng)以及Adam算法依賴手動(dòng)輸入初始學(xué)習(xí)率的問題，本文將Adam算法對(duì)梯度的一、二階矩估計(jì)進(jìn)行偏差修正的做法引入到Adadelta中，命名為Adamdelta：首先使用動(dòng)量法計(jì)算梯度的一階和二階矩估計(jì)：

其中，ρ1，ρ2為衰減率；gt為損失梯度。再對(duì)一階和二階矩估計(jì)進(jìn)行偏差修正：

并做擬牛頓迭代處理：

使用Δθ更新累計(jì)參數(shù)更新量的期望：

最后使用以上公式更新參數(shù)θ，得到最終的更新公式：θt=θt-1+Δθt。

1.2 優(yōu)化學(xué)習(xí)率的FTRL-Proximal算法

Adamdelta算法繼承了Adam與Adadelta適合處理稀疏數(shù)據(jù)、學(xué)習(xí)率自適應(yīng)調(diào)整的特點(diǎn)，解決了Adagrad訓(xùn)練后期累積梯度爆炸導(dǎo)致學(xué)習(xí)率消失的問題，同時(shí)具有Adam更新穩(wěn)定、Adadelta無需手動(dòng)搜索初始學(xué)習(xí)率的優(yōu)點(diǎn)，因此使用Adamdelta算法來調(diào)整FTRL-Proximal的學(xué)習(xí)率，以期達(dá)到提升在線學(xué)習(xí)算法性能的效果。設(shè)定學(xué)習(xí)率ηt表示為：

迭代步長(zhǎng)變化率可表示為：

L1正則項(xiàng)系數(shù)為λ1，那么，F(xiàn)TRL-Proximal算法的參數(shù)更新公式可如下計(jì)算：

本文使用Adamdelta算法來替換FTRLProximal的學(xué)習(xí)率，以期達(dá)到提升在線學(xué)習(xí)算法性能的效果，其更新公式為：

通過上面的推導(dǎo)得到改進(jìn)FTRL-Proximal算法的參數(shù)更新公式，下面給出算法的流程。

images/BZ_109_246_2635_1192_2689.png輸入：L1正則項(xiàng)系數(shù) λ1，衰減率 ρ1，ρ2，ρ3，常數(shù)∈輸出：參數(shù)θ 1 初始化 θ1，1，...，N,z1，1，...，..，N,v0，1，...，N=0 ，E[N=0 ，一階和二階矩m0，1，.Δθ2]0，1，...，N=0 ，ρ1=0.9 ，ρ2=0.999，ρ3=0.95，∈=10-8 2 fort=1 toT do 3 學(xué)習(xí)優(yōu)化目標(biāo)損失函數(shù)?t 4 for alli∈N do 5 計(jì)算

gt,i=??i(θt)θt,i E[Δθ2]t-1+∈代入公式（13）計(jì)算 σt；使用公式（1）-（4）一階和二階矩估計(jì)進(jìn)行偏差修正對(duì)使用公式（5）修正參數(shù)變化量的均方根偏差R?t使用公式（6）更新參數(shù)Δθt,i使用公式（7）更新參數(shù)歷史累計(jì)量E[Δθ2]t,i使用公式（14）計(jì)算zt RMS[Δθ]t-1=6 使用使用公式7 end for 8 end for∈更新學(xué)習(xí)率（8）-（12）更新參數(shù)θt R?timages/BZ_109_1492_947_1612_994.png

2 基于在線學(xué)習(xí)的情感分類模型

2.1 Doc2vec模型

Word2vec模型通過訓(xùn)練得到詞向量，通過計(jì)算詞向量之間距離度量詞語間關(guān)系，但缺乏對(duì)句子和文本之間語義分析的能力。因此，Quoc Le和Tomas Mikolov在Word2vec的基礎(chǔ)上提出了Doc2vec模型［20］。Doc2vec除了增加一個(gè)段落向量以外，其他地方同Word2vec幾乎相同，包括PV-DM和PV-DBOW兩個(gè)模型。

PV-DM模型利用上下文和增加的段落向量預(yù)測(cè)單詞概率，增加的一個(gè)段落向量保存句子或文本的語義信息。每一個(gè)段落向量唯一標(biāo)識(shí)一個(gè)句子或文本，在同一個(gè)句子或文本訓(xùn)練過程中，詞向量共享一個(gè)段落向量。將段落向量和詞向量加和取平均或連接起來作為Softmax函數(shù)的輸入。PV-DBOW則是利用段落向量來預(yù)測(cè)段落中一組隨機(jī)單詞的概率。

2.2 在線學(xué)習(xí)情感分類模型

對(duì)于中、英文情感信息數(shù)據(jù)，需分別對(duì)其進(jìn)行分詞、去停用詞、過濾標(biāo)點(diǎn)符號(hào)和過濾標(biāo)點(diǎn)符號(hào)、去停用詞、變化大小寫等預(yù)處理。然后使用Doc2vec模型對(duì)預(yù)處理后的情感信息進(jìn)行訓(xùn)練，得到段落向量和詞向量表示。得到了句子或文本的向量表示后，使用在線學(xué)習(xí)分類模型對(duì)其進(jìn)行在線訓(xùn)練，通過不斷的學(xué)習(xí)和更新模型，來提高模型的分類能力。經(jīng)過一段時(shí)間學(xué)習(xí)后，模型的分類能力達(dá)到預(yù)期效果，便可對(duì)未知情感類別的文本或語句進(jìn)行情感分類。整個(gè)模型的示意圖如圖1所示。

圖1 在線學(xué)習(xí)情感分類模型

2.3 在線學(xué)習(xí)邏輯回歸算法

傳統(tǒng)的邏輯回歸通過訓(xùn)練大量樣本可得到精度較高的分類模型，但將大量樣本加載到內(nèi)存中，對(duì)計(jì)算機(jī)內(nèi)存要求很高。若樣本數(shù)量超出計(jì)算機(jī)內(nèi)存，則無法進(jìn)行模型訓(xùn)練。本文采用在線學(xué)習(xí)來訓(xùn)練模型，每訓(xùn)練完一個(gè)樣本就對(duì)模型更新一次，降低了對(duì)計(jì)算機(jī)內(nèi)存的要求。使用改進(jìn)學(xué)習(xí)率優(yōu)化算法的FTRL-Proximal取代梯度下降來更新邏輯回歸模型的參數(shù)，得到在線學(xué)習(xí)邏輯回歸模型，算法的流程如下。

images/BZ_110_246_1677_1192_1731.png輸入：L1正則項(xiàng)系數(shù) λ1，衰減率 ρ1，ρ2，ρ3，常數(shù)∈輸出：特征屬性的權(quán)重參數(shù)θ 1 初始化 θ1，...，N,z1，...，N=0 ，一階矩和二階矩 m0，1，...，N,v0，1...N=0 ，E[Δθ2]0，1，...，N=0 ，ρ1=0.9，ρ2=0.999，ρ3=0.95，∈=10-8 2 while停止條件3 從訓(xùn)練樣本集中取一個(gè)樣本(xt,yt)4 假設(shè)函數(shù)hθ(xt)5 損失函數(shù)J(θ)6 for alli∈N do gt,i=(hθ(xt)-yt)xt i更新參數(shù)θ #優(yōu)化學(xué)習(xí)率的FTRL-Proximal算法7 end for 8 end while

3 實(shí)驗(yàn)與結(jié)果分析

3.1 實(shí)驗(yàn)環(huán)境與數(shù)據(jù)

為了驗(yàn)證改進(jìn)學(xué)習(xí)率優(yōu)化算法的效果，在Ubuntu Kylin 16.04系統(tǒng)上進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)程序?yàn)镻ython2.7所編寫。實(shí)驗(yàn)數(shù)據(jù)為IMDB電影評(píng)論文本，數(shù)據(jù)包括兩類，一類為樂觀評(píng)論，一類為悲觀評(píng)論，每類評(píng)論25 000篇。訓(xùn)練集和測(cè)試集按1∶1的比例分配，即均包含樂觀評(píng)論和悲觀評(píng)論各12 500條。如表1所示。

表1 數(shù)據(jù)集

3.2 數(shù)據(jù)預(yù)處理

對(duì)文本評(píng)論數(shù)據(jù)先進(jìn)行分詞處理，然后去停用詞、標(biāo)點(diǎn)符號(hào)之后，輸入到Doc2vec模型中，訓(xùn)練得到每篇文本的向量表示。Doc2vec采用PV-DM模型來進(jìn)行訓(xùn)練，使用負(fù)采樣來進(jìn)行優(yōu)化，負(fù)采樣噪聲詞數(shù)設(shè)置為5，滑動(dòng)窗口大小設(shè)置為10，輸出特征向量的維度設(shè)置為100。將得到的文本特征向量作為分類模型的訓(xùn)練集和測(cè)試集，兩者的比例為1∶1。

3.3 評(píng)價(jià)指標(biāo)

在分類問題中，常使用混淆矩陣對(duì)分類結(jié)果進(jìn)行可視化，二分類的混淆矩陣如表2所示。

表2 混淆矩陣

表中，TP表示被預(yù)測(cè)為正的正樣本，F(xiàn)N表示被預(yù)測(cè)為負(fù)的正樣本，F(xiàn)P表示被預(yù)測(cè)為正的負(fù)樣本，TN表示被預(yù)測(cè)為負(fù)的負(fù)樣本?；诨煜仃囉?jì)算如下指標(biāo)：

（1）準(zhǔn)確率：Accuracy=(T P+TN)/(TP+FN+FP+TN)；

（2）精確率：Precision=TP/(T P+FP)；

（3）召回率：Recall=TP/(T P+FN)；

（4）F1值：F1=2×Precision×Recall/(Precison+Recall)；

3.4 實(shí)驗(yàn)結(jié)果分析

3.4.1 實(shí)驗(yàn)1：學(xué)習(xí)率優(yōu)化算法對(duì)比

為了直觀了解各個(gè)優(yōu)化算法的特點(diǎn)，對(duì)比每個(gè)算法的優(yōu)缺點(diǎn)，通過在馬鞍面（z=-2(x2-y2)）上的三維運(yùn)行軌跡以及二維等高線上的軌跡，來對(duì)算法進(jìn)行可視化展示。使用SGD、Momentum、Adagrad、Adadelta、Adam作為對(duì)照算法，與本文改進(jìn)算法Adamdelta作對(duì)比。通過多次實(shí)驗(yàn)，將各個(gè)算法的參數(shù)設(shè)置如下表所示，得到如圖所示軌跡圖，“-”表示算法無此參數(shù)。此外，將SGD、Adagrad、Adam算法初始學(xué)習(xí)率η設(shè)置為0.05，Momentum初始學(xué)習(xí)率η設(shè)置為0.01。

表3 各算法參數(shù)設(shè)置

由此，得到如圖2所示軌跡圖，圖3為圖2在二維等高線上的對(duì)應(yīng)圖，源自相同的參數(shù)設(shè)置。通過實(shí)驗(yàn)發(fā)現(xiàn)，如果將算法在x軸的初始位置設(shè)置為0，所有算法都將陷入馬鞍面的中心（0，0，0）點(diǎn)；因此將算法的初始位置設(shè)置為（0.001，0.8），通過表3中迭代次數(shù)達(dá)到圖2所示位置。圖中每個(gè)標(biāo)記點(diǎn)代表經(jīng)過一次迭代后的位置。

圖2 三維馬鞍面上運(yùn)行軌跡圖

圖3 二維馬鞍面等高線上軌跡圖

結(jié)合圖2和圖3可以看出，SGD算法的軌跡總是沿著梯度下降最快的方向更新，因此每次更新方向只跟當(dāng)前梯度有關(guān)。Momentum算法運(yùn)行到中心位置后不能立刻調(diào)整方向，是因?yàn)槠涓路较蚪Y(jié)合了上次更新方向和當(dāng)前梯度下降方向。Adagrad算法前期每步更新距離較大，后期更新距離越來越小，是由于其使用累積梯度平方和作為學(xué)習(xí)率的分母項(xiàng)，因此隨著迭代次數(shù)增加，學(xué)習(xí)率越來越小。從表3中可以看出，Adagrad迭代了85次才到達(dá)圖2中的位置，相比其他算法這個(gè)迭代次數(shù)最多。Adadelta算法前期每步更新距離較小，后期更新距離較大，這是因?yàn)槠涫∪チ耸謩?dòng)設(shè)置初始學(xué)習(xí)率的步驟，因此前期更新速度受∈值的影響較大，此處∈值為1e-8，因此初始更新距離較小，如果將∈值設(shè)置成1e-4，只需要迭代12次便可到達(dá)圖2所示位置，可以看出這個(gè)更新速度比其他算法都快，因此后期會(huì)出現(xiàn)抖動(dòng)情況。Adam算法每次更新距離差別不大，是因?yàn)槠鋵?duì)梯度進(jìn)行了偏差修正，因此算法比較穩(wěn)定。Adamdelta算法前期每步更新距離相比Adadelta要大，是因?yàn)樗惴▽?duì)參數(shù)更新量進(jìn)行了偏差修正，因此算法啟動(dòng)速度比Adadelta要快；隨著迭代次數(shù)增加，算法更新趨于穩(wěn)定，更新方向合理。表明改進(jìn)學(xué)習(xí)率算法相比Adagrad解決了學(xué)習(xí)率消失的問題，同時(shí)具有Adam算法更新穩(wěn)定，Adadelta算法不用手動(dòng)搜索一個(gè)合適的初始學(xué)習(xí)率，且不會(huì)啟動(dòng)過慢的優(yōu)點(diǎn)。

3.4.2 實(shí)驗(yàn)2：在線學(xué)習(xí)情感分類效果對(duì)比

為了度量算法對(duì)分類器的影響，分別使用SGD、Momentum、Adagrad、Adadelta、Adam以及本文提出的Adamdelta算法，結(jié)合LR分類器，使用在線學(xué)習(xí)對(duì)經(jīng)過Doc2vec模型處理的情感數(shù)據(jù)進(jìn)行分類。各算法的參數(shù)設(shè)置如表4所示，為防止Adadelta啟動(dòng)過慢，將其參數(shù)∈設(shè)置為1e-4。此外，將SGD、Momentum、Adagrad、Adam初始學(xué)習(xí)率η設(shè)置為0.01。

表4 各算法參數(shù)設(shè)置

將起始迭代次數(shù)設(shè)置為100，最大迭代次數(shù)設(shè)置為7 100，每輪增加250次，得到各算法在不同迭代次數(shù)下的分類準(zhǔn)確率，如圖4所示，以及各算法消耗的時(shí)間，如圖5所示。其中，改進(jìn)方法與傳統(tǒng)方法特征詞提取示例如表5所示。

圖4 分類準(zhǔn)確率對(duì)比

圖5 消耗時(shí)間對(duì)比

表5 特征詞提取示例的比較

從圖4中可以看出，Adamdelta算法的準(zhǔn)確率明顯比SGD，Momentum，Adagrad，Adadelta的準(zhǔn)確率高，相比Adam也有小幅度提升。另外迭代次數(shù)大于3 500次后，SGD，Momentum，Adagrad，Adadelta的準(zhǔn)確率基本不再提高，而Adam和Adamdelta的準(zhǔn)確率隨著迭代次數(shù)的增加仍在上升。說明本文提出的Adamdelta算法解決了Adagrad訓(xùn)練后期學(xué)習(xí)率消失導(dǎo)致算法效果無法提升的問題。從曲線的變化趨勢(shì)可以看出，Adamdelta比其他算法更穩(wěn)定。說明引入Adam偏差修正的做法對(duì)梯度和參數(shù)更新量進(jìn)行偏差修正，對(duì)于提升算法的穩(wěn)定性有良好的效果。從圖5中可以看出，SGD，Momentum，Adadelta以及Adamdelta算法消耗的時(shí)間幾乎相同，而Adagrad和Adam算法消耗的時(shí)間是前者的3倍多。說明Adamdelta繼承了Adadelta訓(xùn)練速度快的優(yōu)點(diǎn)。通過準(zhǔn)確率和時(shí)間的對(duì)比表明，本文提出的改進(jìn)學(xué)習(xí)率算法相較于Adagrad，無論是分類準(zhǔn)確率還是速度上都有明顯的優(yōu)勢(shì)，相比Adadelta準(zhǔn)確率上有一定優(yōu)勢(shì)，相比Adam訓(xùn)練速度上有明顯優(yōu)勢(shì)。從表5中可以看出，相同的樣本分別使用改進(jìn)的方法和傳統(tǒng)的方法進(jìn)行特征提取，改進(jìn)的方法提取出了傳統(tǒng)方法沒有提取出的特征詞，進(jìn)而提高了分類精度。例如，改進(jìn)算法提取出yawn，imitation等詞語，但傳統(tǒng)的算法沒有提取出。

3.4.3 實(shí)驗(yàn)3：離線學(xué)習(xí)與在線學(xué)習(xí)情感分類效果對(duì)比

使用LR分類器作為離線學(xué)習(xí)的分類模型，利用批量梯度下降來更新LR模型的參數(shù)，使用基于Adagrad的FTRL-Proximal結(jié)合LR得到的在線學(xué)習(xí)分類模型，以及基于Adamdelta的FTRL-Proximal結(jié)合LR得到的在線學(xué)習(xí)分類模型，分別對(duì)經(jīng)過Doc2vec模型處理的情感數(shù)據(jù)進(jìn)行離線學(xué)習(xí)和在線學(xué)習(xí)。由于離線學(xué)習(xí)和在線學(xué)習(xí)每次迭代使用的樣本數(shù)量不同，因此不以相同迭代次數(shù)的結(jié)果來進(jìn)行對(duì)比，而是以各自模型達(dá)到最佳效果時(shí)的分類指標(biāo)和訓(xùn)練時(shí)間來進(jìn)行對(duì)比。實(shí)驗(yàn)發(fā)現(xiàn)離線學(xué)習(xí)模型迭代至140次時(shí)結(jié)果穩(wěn)定，各指標(biāo)值基本不再變化，在線學(xué)習(xí)模型迭代至6 000次時(shí)各指標(biāo)值穩(wěn)定，因此將離線學(xué)習(xí)模型迭代次數(shù)設(shè)置為20至140次，每輪增加10次，將在線學(xué)習(xí)模型迭代次數(shù)設(shè)置為100至6 100次，每輪增加300次，得到分類準(zhǔn)確率、精確率、召回率、F1值和訓(xùn)練時(shí)間對(duì)比如圖6、圖7所示。

圖6 學(xué)習(xí)模型的評(píng)估指標(biāo)分析

對(duì)比圖6中三個(gè)模型的各項(xiàng)分類指標(biāo)值可以看出，離線學(xué)習(xí)模型的準(zhǔn)確率與原FTRL-Proximal算法差別不大，而改進(jìn)FTRL-Proximal算法的準(zhǔn)確率相比離線學(xué)習(xí)和原算法提升了1%～2%。對(duì)比精確率、召回率和F1值可以看出，相比離線學(xué)習(xí)模型，在線學(xué)習(xí)模型的召回率偏高，精確率偏低，F(xiàn)1值稍高。表明在線學(xué)習(xí)模型偏向于將悲觀評(píng)論預(yù)測(cè)為樂觀評(píng)論。對(duì)比圖7三個(gè)模型的訓(xùn)練時(shí)間可以看出，模型達(dá)到最佳訓(xùn)練效果時(shí)，離線學(xué)習(xí)模型消耗的時(shí)間是原在線學(xué)習(xí)模型的2倍左右，是改進(jìn)在線學(xué)習(xí)模型的6倍左右。說明在線學(xué)習(xí)模型相比離線模型訓(xùn)練速度有很大的優(yōu)勢(shì)，而改進(jìn)的在線學(xué)習(xí)相比原算法的訓(xùn)練速度也有明顯的提升。相比離線學(xué)習(xí)模型，改進(jìn)學(xué)習(xí)率的在線學(xué)習(xí)模型不僅準(zhǔn)確率有所提升，訓(xùn)練時(shí)間更是大大縮短，說明本文提出的在線學(xué)習(xí)情感分類模型具有一定的可行性。

圖7 學(xué)習(xí)模型的耗時(shí)分析

4 結(jié)論

本文首先對(duì)FTRL-Proximal算法的學(xué)習(xí)率進(jìn)行了分析，針對(duì)其學(xué)習(xí)率在訓(xùn)練后期消失的問題，對(duì)參數(shù)更新量的均方根以及梯度的一階和二階矩估計(jì)進(jìn)行偏差修正，然后再使用改進(jìn)的FTRL-Proximal算法來迭代求解LR模型的參數(shù)，得到在線學(xué)習(xí)LR模型。以此模型作為情感分類模型的分類器，使用Doc2vec工具生成的文本特征向量作為模型的輸入向量，構(gòu)成了完整的在線學(xué)習(xí)情感分類模型，通過實(shí)驗(yàn)驗(yàn)證出改進(jìn)學(xué)習(xí)率優(yōu)化算法具有更好的分類效果，以及改進(jìn)學(xué)習(xí)率的在線學(xué)習(xí)模型具有更高的準(zhǔn)確率，和大大縮短的訓(xùn)練時(shí)間。