基于ERNIE的新聞標(biāo)題文本分類

徐云鵬　曹暉

關(guān)鍵詞：文本分類；EWLTC; ERNIE；注意力機(jī)制

中圖法分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A

隨著時(shí)代的發(fā)展，文本數(shù)據(jù)從傳統(tǒng)的實(shí)體化向數(shù)字化、虛擬化方向發(fā)展。新聞文本是我們生活中接觸最為廣泛的一種文本數(shù)據(jù)，但由于新聞來源渠道復(fù)雜多樣，需要對其進(jìn)行準(zhǔn)確的分類。

一方面，準(zhǔn)確的新聞?lì)悇e標(biāo)簽可以幫助用戶快速地檢索感興趣的新聞；另一方面，根據(jù)用戶的使用需求進(jìn)行標(biāo)簽化、類別化推薦，需要將新聞文本存儲(chǔ)至不同類別庫中。隨著信息的爆炸式增長，人工標(biāo)注數(shù)據(jù)完成分類任務(wù)極為耗時(shí)，且易受到標(biāo)注人主觀意識(shí)的影響。對于快速實(shí)現(xiàn)文本分類的需求日漸增加，自動(dòng)文本分類技術(shù)應(yīng)運(yùn)而生。深度學(xué)習(xí)方法作為該領(lǐng)域的主流研究方向，突破以往機(jī)器學(xué)習(xí)的瓶頸，給文本分類領(lǐng)域帶來重大機(jī)遇。

ERNIE （Enhanced

Representation

throughKnowledge Integration）是百度發(fā)布的預(yù)訓(xùn)練模型。它將Google發(fā)布的BERT（ Bidirectional EncoderRepresentation from Transformers）中單詞級(jí)別的MASK拓展成3種級(jí)別的Knowledge Masking，從而讓模型學(xué)習(xí)到更多語言知識(shí)，在多項(xiàng)任務(wù)實(shí)踐效果上超越了BERT。

Jawahar等在2019年分別通過短語語法（Phrasal Syntax）、探測任務(wù)（Probing Task）、主謂一致（Subject-Verb Agreement）、組成結(jié)構(gòu)（Compositional Structure）4個(gè)實(shí)驗(yàn)發(fā)現(xiàn)，以BERT為代表的預(yù)訓(xùn)練模型編碼了豐富的語言學(xué)層次信息：表層信息特征在底層網(wǎng)絡(luò)，句法信息特征在中間層網(wǎng)絡(luò)，語義信息特征在高層網(wǎng)絡(luò)。Encoder層越淺，句子向量越能代表低級(jí)別語義信息，Encoder層越深，句子向量越能代表更高級(jí)別的語義信息。因此，本文EWLTC模型為了獲取不同級(jí)別的語義信息，提升模型分類效果，將預(yù)訓(xùn)練模型ERNIE Encoder層輸出的第1個(gè)token向量[CLS]通過注意力機(jī)制進(jìn)行加權(quán)求和，并作為后續(xù)全連接層的輸入，增加了語義信息的融入，使得新聞標(biāo)題文本結(jié)果優(yōu)于ERNIE以及傳統(tǒng)的文本分類模型。

1相關(guān)工作

文本分類（Text Classification，TC）作為自然語言處理領(lǐng)域的重要研究領(lǐng)域，主要分為淺層學(xué)習(xí)和深度學(xué)習(xí)兩個(gè)發(fā)展階段。淺層學(xué)習(xí)在1960～2010年占據(jù)文本分類模型的主導(dǎo)地位。淺層學(xué)習(xí)模型主要是基于統(tǒng)計(jì)學(xué)習(xí)的模型，如樸素貝葉斯（Naive Bayes，NB），K近鄰（k-Nearest Neighbor，KNN）和支持向量機(jī)（Support Vector Machine，SVM）等。盡管與早期基于規(guī)則的分類方法相比，淺層學(xué)習(xí)模型（Shallow Learning）在準(zhǔn)確性和穩(wěn)定性方面具有顯著優(yōu)勢，但淺層模型的堆疊層數(shù)僅有1～2層，導(dǎo)致模型的表達(dá)能力極為有限，并且樣本的特征提取極其依賴先驗(yàn)知識(shí)進(jìn)行手動(dòng)抽取，反復(fù)的實(shí)驗(yàn)摸索耗費(fèi)大量的人力物力，極大地限制了淺層模型的效果。

2006年，Hinton提出深度學(xué)習(xí)（Deep Learning）的概念，使用多隱藏層的人工神經(jīng)網(wǎng)絡(luò)來進(jìn)行樣本的特征抽取與學(xué)習(xí)，克服了淺層學(xué)習(xí)依賴人工的缺點(diǎn)，由此成為目前自然語言處理的主流研究方法。卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）與遞歸神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）是用于文本分類任務(wù)的2種主流深度學(xué)習(xí)方法，TCNN與RNN模型相較于淺層學(xué)習(xí)模型，CNN的并行計(jì)算效率高，RNN則更注重文本的序列特征，二者都可以顯著提高文本分類性能。隨后，研究人員將人類視覺注意力機(jī)制的原理引入自然語言處理任務(wù)中，其基本原理為在眾多的輸入信息中聚焦于對當(dāng)前任務(wù)更為關(guān)鍵的信息，而降低對其他信息的關(guān)注度，甚至過濾掉無關(guān)信息，將其與深度學(xué)習(xí)模型相結(jié)合，有效提升了文本分類的計(jì)算效率與準(zhǔn)確率。

2018年，BERT的出現(xiàn)在自然語言處理領(lǐng)域具有里程碑式的意義，其在多個(gè)自然語言處理（Natural Language Processing，NLP）任務(wù)中獲得了新的SOTA（state-of-the-art）的結(jié)果，其強(qiáng)大的模型特征抽取能力使大量研究工作圍繞其展開，自然語言處理研究進(jìn)入大數(shù)據(jù)時(shí)代，ERNIE模型是BERT的眾多改進(jìn)模型之一。

2模型描述

ERNIE總體模型結(jié)構(gòu)和BERT -致，使用的是Transformer Encoder，輸入與輸出的個(gè)數(shù)保持一致。相較于BERT，ERNIE的改進(jìn)主要分為兩方面。

（1）采用新的Mask方法。BERT初次提出了MLM方法，以15%的概率用mask token（[MASK]）隨機(jī)對每一個(gè)訓(xùn)練序列中的token進(jìn)行替換，然后預(yù)測出[MASK]位置原有的單詞。BERT是基于字的MASK，ERNIE是基于詞語的MASK。假設(shè)訓(xùn)練句子為“哈爾濱是黑龍江省的省會(huì)城市”，BERT會(huì)將哈爾濱隨機(jī)遮蓋為哈“mask”濱，無法學(xué)習(xí)到哈爾濱是一個(gè)重要的地點(diǎn)實(shí)體。ERNIE則隨機(jī)遮擋掉地名實(shí)體黑龍江，此模型能夠在一定程度上學(xué)習(xí)到“哈爾濱”與“黑龍江省”的關(guān)系，即模型能夠?qū)W習(xí)到更多語義知識(shí)。相較于BERT，ERNIE成了一個(gè)具有更多知識(shí)的預(yù)訓(xùn)練模型。

（2）增加預(yù)訓(xùn)練任務(wù)：通過增加對話預(yù)料的訓(xùn)練，判斷兩句話是否屬于同一句話取代BERT原有的NSP（Next Sentence Prediction）任務(wù)。

ERNIE由12層編碼網(wǎng)絡(luò)組成，每層的隱藏狀態(tài)hidden_size為768，并且有12個(gè)z注意力頭（Attention-Head），總計(jì)110 M參數(shù)。ERNIE在每一層網(wǎng)絡(luò)都使用第一個(gè)輸入符號(hào)（[CIJS]）輸出進(jìn)行表征計(jì)算，通過自注意力機(jī)制匯聚了所有真實(shí)符號(hào)的信息表征。

ERNIE的每層輸出分別為last_hidden_state，pooler_output， hidden_states， attentions，其中，hidden_states是每層輸出的模型隱藏狀態(tài)加上可選的初始嵌入輸出。選取其中12層Encoder層的輸出，總計(jì)12個(gè)元組：12*（batch_size，sequence_length，hidden_size）。但12層cls每層的特征信息對于預(yù)測的貢獻(xiàn)不同，無法簡單相加，為此通過引入注意力機(jī)制實(shí)現(xiàn)對12個(gè)向量的加權(quán)求和，在模型訓(xùn)練中自動(dòng)分配權(quán)重給對象的cls向量。最終將求和后的向量輸入至全連接層進(jìn)行預(yù)測訓(xùn)練。

3實(shí)驗(yàn)結(jié)果與分析

3.1實(shí)驗(yàn)數(shù)據(jù)集與評價(jià)指標(biāo)

實(shí)驗(yàn)中，采用新聞文本分類中常使用的THUCNews，根據(jù)新浪新聞RSS訂閱頻道2005～2011年的歷史數(shù)據(jù)篩選過濾生成。本次實(shí)驗(yàn)選取其中的5萬條數(shù)據(jù)集。本文使用目前通用評價(jià)指標(biāo)來評估模型的優(yōu)劣，即精確率（Precision）和召回率（Recall）。精確率指正確的正樣本個(gè)數(shù)占分類器判定為正樣本的樣本個(gè)數(shù)的比例，召回率是指分類正確的正樣本個(gè)數(shù)占真正的正樣本個(gè)數(shù)的比例。

3.2實(shí)驗(yàn)對比

本文使用五折交叉驗(yàn)證（5-fold cross-validation）來測試EWTLC型的效果，該方法的基本思路是：將所有的數(shù)據(jù)集平均分為5個(gè)部分，依次抽取4個(gè)部分當(dāng)作訓(xùn)練集，剩下1個(gè)部分當(dāng)作測試集進(jìn)行測試，然后將5輪訓(xùn)練與預(yù)測后的結(jié)果進(jìn)行平均，將平均值作為模型最后的估計(jì)結(jié)果。

參與對比的網(wǎng)絡(luò)模型主要包括：（1）FastText模型，采用Facebook AI Research開源的機(jī)器學(xué)習(xí)訓(xùn)練工具FastText對新聞標(biāo)題進(jìn)行標(biāo)簽分類；（2）TextCNN模型，采用文本卷積神經(jīng)網(wǎng)絡(luò)TextCNN模型對新聞標(biāo)題進(jìn)行標(biāo)簽分類；（3）BiLSTM模型，采用雙向長短時(shí)記憶網(wǎng)絡(luò)BiLSTM模型對新聞標(biāo)題進(jìn)行標(biāo)簽分類：（4）BERT+FP模型，基于BERT預(yù)訓(xùn)練模型和全連接層Fully Connected Layers對新聞標(biāo)題進(jìn)行標(biāo)簽分類；（5）EWLTC模型，采用EWLTC模型對新聞標(biāo)題進(jìn)行標(biāo)簽分類。實(shí)驗(yàn)結(jié)果如表1所列。

（1）通過對比實(shí)驗(yàn)1和實(shí)驗(yàn)3結(jié)果發(fā)現(xiàn)，利用FastText模型相較于BiLSTM模型、TextCNN更為優(yōu)秀，主要原因是FastText克服word2vec中單詞內(nèi)部形態(tài)信息丟失的問題；（2）對比實(shí)驗(yàn)4與實(shí)驗(yàn)1結(jié)果發(fā)現(xiàn)，采用預(yù)訓(xùn)練模型ERNIE的實(shí)驗(yàn)結(jié)果是在FastText的基礎(chǔ)上大幅度的提升，原因在于預(yù)訓(xùn)練模型有助于更好地抽取文本特征，生成文本向量；（3）通過對比實(shí)驗(yàn)5結(jié)果與實(shí)驗(yàn)4結(jié)果發(fā)現(xiàn)，相較于原本的預(yù)訓(xùn)練語言模型只提取最后一層的輸出，EWLTC可以學(xué)習(xí)更多特征、獲取更好的分類效果。

4結(jié)束語

本文EWLTC模型進(jìn)一步增強(qiáng)了文本的特征提取與表示能力，實(shí)現(xiàn)了更好的文本分類效果。

作者簡介：

徐云鵬（1997—），碩士，研究方向：人工智能。

曹暉（1971—），博士，研究方向：人工智能（通信作者）。