文本分类Recurrent Convolutional Neural Networks for Text Classification

Posted 2022-01-30 征途黯然.

·摘要：
  从模型的角度，本文作者将RNN（Bi-LSTM）和max_pooling结合使用，提出RCNN模型，应用到了NLP的文本分类任务中，提高了分类精度。
·参考文献：
  [1] Recurrent Convolutional Neural Networks for Text Classification 论文链接：http://www.aaai.org/ocs/index.php/AAAI/AAAI15/paper/download/9745/9552

[1] 摘要

  · 使用循环神经网络来捕获上下文信息；

  · 采用最大池化层，自动判断哪些词在文本分类中起关键作用，捕获文本中的关键成分。

[2] 概述

  2.1、传统机器学习的特征表征
  有词袋模型(bag-of-words)、tfidf等等，传统的特征表示方法往往忽略了文本中的上下文信息或词序信息，不能很好地捕捉词语的语义。

  2.2、使用RNN做特征表征
  · 模型逐字分析文本，并将之前所有文本的语义存储在一个固定大小的隐藏层(hidden)中,能够更好地捕获上下文信息。通常使用最后一个时刻的隐藏层，作为最好的特征。
  · RNN是一个有偏差的模型，后面的单词比前面的单词更占优势(类似于梯度爆炸、梯度消失)。因此，当使用它来捕获整个文档的语义时，因为关键信息可能出现在文档中的任何位置，而不是在文档的末尾。

  2.3、提出新模型RCNN
  首先用双向循环神经网络Bi-LSTM，以在学习单词表示时最大限度地捕捉上下文信息，在学习文本表示时可以保留较大范围的语序。其次，利用最大池化层max_pooling自动判断哪些特征在文本分类中起关键作用，以捕获文本中的关键成分。最后，结果全连接层进行分类。

  模型如上图所示：
   1、左边： 是一个双向循环神经网络，xi为Bi-LSTM的输入，yi为Bi-LSTM的隐藏层。通常，在RNN中，我们会使用最后一个y，也就是循环神经网络中最后一个时刻的隐藏层，作为循环神经网络的输出，然后输入到全连接层分类。
   2、中间： 是一个最大池化层，它把所有的y集合中的每个维度求MAX，构成最终池化后的隐藏层。
   3、右边： 是一个全连接层，分类。

【思考一】池化的原理是取最大，在这里普通的句子已经被表征的面目全非了，很难粗略的断定，取最大是好是坏。得要数学证明。
【思考二】可以把embedding层的结果==[batch_size, seq_len, embeding]==，联合Bi-LSTM层的结果 [batch_size, seq_len, hidden_size * 2] 一起喂到最大池化层。因为它们的维度是一样的。

[3] 代码复现

  贴出基础模型：

class Model(nn.Module):
    def __init__(self, config):
        super(Model, self).__init__()
        if config.embedding_pretrained is not None:
            self.embedding = nn.Embedding.from_pretrained(config.embedding_pretrained, freeze=False)
        else:
            self.embedding = nn.Embedding(config.n_vocab, config.embed, padding_idx=config.n_vocab - 1)
        self.lstm = nn.LSTM(config.embed, config.hidden_size, config.num_layers,
                            bidirectional=True, batch_first=True, dropout=config.dropout)
        self.maxpool = nn.MaxPool1d(config.pad_size)
        self.fc = nn.Linear(config.hidden_size * 2 + config.embed, config.num_classes)

    def forward(self, x):
        x, _ = x
        embed = self.embedding(x)  # [batch_size, seq_len, embeding] = [128, 32, 300]
        out, _ = self.lstm(embed)  # [batch_size, seq_len, hidden_size * 2] = [128, 32, 512]
        out = torch.cat((embed, out), 2)  # [batch_size, seq_len, hidden_size * 2 + embeding] = [128, 32, 812]
        out = F.relu(out)  # [batch_size, seq_len, hidden_size * 2 + embeding] = [128, 32, 812]
        out = out.permute(0, 2, 1)  # [batch_size, hidden_size * 2 + embeding, seq_len] = [128, 812, 32]
        out = self.maxpool(out).squeeze()  # [batch_size, hidden_size * 2 + embeding] = [128, 812]
        out = self.fc(out)
        return out

  实验结果(baseline)：

数据集	RNN	RCNN
THUCNews	90.73%	91.21%

【思考三】本文是Bi-LSTM+max_pooling，可以尝试Bi-LSTM+conv+max_pooling等等。

[4] 获取本项目的源代码

如果需要本项目的源代码，请扫描关注我的公众号，回复“论文源码”。