NLP大賽冠軍總結：300萬知乎多標簽文本分類任務(附深度學習源碼)

NLP大賽冠軍總結：300萬知乎多標簽文本分類任務(附深度學習源碼)

 

 

 

 

 

七月，酷暑難耐，認識的幾位同學參加知乎看山杯，均取得不錯的排名。當時天池AI醫療大賽初賽結束，官方正在為復賽進行平台調試，復賽時間一拖再拖。看着幾位同學在比賽中排名都還很不錯，於是決定抽空試一試。結果一發不可收拾，又找了兩個同學一起組隊（隊伍init）以至於整個暑假都投入到這個比賽之中，並最終以一定的優勢奪得第一名。

1. 比賽介紹

這是一個文本多分類的問題：目標是“參賽者根據知乎給出的問題及話題標簽的綁定關系的訓練數據，訓練出對未標注數據自動標注的模型”。通俗點講就是：當用戶在知乎上提問題時，程序要能夠根據問題的內容自動為其添加話題標簽。一個問題可能對應着多個話題標簽，如下圖所示。

 

這是一個文本多分類，多label的分類問題（一個樣本可能屬於多個類別）。總共有300萬條問題-話題對，超過2億詞，4億字，共1999個類別。

1.1 數據介紹

參考 https://biendata.com/competition/zhihu/data/

https://biendata.com/competition/zhihu/rules/?next_url=%2Fcompetition%2Fzhihu%2Fdata%2F

 

總的來說就是：

• 數據經過脫敏處理，看到的不是“如何評價2017知乎看山杯機器學習比賽”，而是“w2w34w234w54w909w2343w1'這種經過映射的詞的形式，或者是”c13c44c4c5642c782c934c02c2309c42c13c234c97c8425c98c4c340'這種經過映射的字的形式。

• 因為詞和字經過脫敏處理，所以無法使用第三方的詞向量，官方特地提供了預訓練好的詞向量，即char_embedding.txt和word_embedding.txt ，都是256 維。

• 主辦方提供了1999個類別的描述和類別之間的父子關系（比如機器學習的父話題是人工智能，統計學和計算機科學），但這個知識沒有用上。

• 訓練集包含300萬條問題的標題（title），問題的描述（description）和問題的話題（topic）

• 測試集包含21萬條問題的標題（title）,問題的描述(description)，需要給出最有可能的5個話題（topic）

1.2 數據處理

數據處理主要包括兩部分：

• char_embedding.txt 和 word_embedding.txt 轉為numpy格式，這個很簡單，直接使用word2vec的python工具即可

• 對於不同長度的問題文本，pad和截斷成一樣長度的（利用pad_sequence 函數，也可以自己寫代碼pad）。太短的就補空格，太長的就截斷。操作圖示如下：

 

 

 

 

1.3 數據增強

文本中數據增強不太常見，這里我們使用了shuffle和drop兩種數據增強，前者打亂詞順序，后者隨機的刪除掉某些詞。效果舉例如圖：

 

 

 

1.4 評價指標

每個預測樣本，提供最有可能的五個話題標簽，計算加權后的准確率和召回率，再計算F1值。注意准確率是加權累加的，意味着越靠前的正確預測對分數貢獻越大，同時也意味着准確率可能高於1，但是F1值計算的時候分子沒有乘以2，所以0.5是很難達到的。

 

2 模型介紹

建議大家先閱讀這篇文章，了解文本多分類問題幾個常用模型：用深度學習（CNN RNN Attention）解決大規模文本分類問題

https://zhuanlan.zhihu.com/p/25928551

 

2.1 通用模型結構

文本分類的模型很多，這次比賽中用到的模型基本上都遵循以下的架構：

 

 

 

 

 

基本思路就是，詞（或者字）經過embedding層之后，利用CNN/RNN等結構，提取局部信息、全局信息或上下文信息，利用分類器進行分類，分類器的是由兩層全連接層組成的。

在開始介紹每個模型之前，這里先下幾個結論：

1. 如果你的模型分數不夠高，試着把模型變得更深更寬更復雜

2. 當模型復雜到一定程度的時候，不同模型的分數差距很小

3. 當模型復雜達到一定程度，繼續變復雜難以繼續提升模型的分數

 

2.2 TextCNN

這是最經典的文本分類模型，這里就不細說了，模型架構如下圖：

 

 

 

 

和原始的論文的區別就在於：

• 使用兩層卷積

• 使用更多的卷積核，更多尺度的卷積核

• 使用了BatchNorm

• 分類的時候使用了兩層的全連接

總之就是更深，更復雜。不過卷積核的尺寸設計的不夠合理，導致感受野差距過大。

2.3 TextRNN

沒找到論文，我就憑感覺實現了一下：

 

 

 

 

 

相比於其他人的做法，這里的不同點在於：

• 使用了兩層的雙向LSTM。

• 分類的時候不是只使用最后一個隱藏元的輸出，而是把所有隱藏元的輸出做K-MaxPooling再分類。

2.4 TextRCNN

參考原論文的實現，和RNN類似，也是兩層雙向LSTM，但是需要和Embedding層的輸出Concat(類似於resnet的shortcut直連)。

 

 

 

 

2.5 TextInception

這個是我自己提出來的，參照TextCNN的思想（多尺度卷積核），模仿Inception的結構設計出來的，一層的Inception結構如下圖所示，比賽中用了兩層的Inception結構，最深有4層卷積，比TextCNN更深。

 

 

 

 

2.6 訓練方法

要點：

• 基於詞和基於字的模型要分開訓，然后融合，一起訓的效果不好

• 使用官方給的word-embedding.txt和char-embedding.txt初始化Embedding層的權重

• 剛開始訓練的時候Embedding層的學習率為0，其它層的學習率為1e-3，采用Adam優化器（一開始的時候卷積層都是隨機初始化的，反向傳播得到的Embedding層的梯度受到卷積層的影響，相當於噪聲）

• 訓練1-2個epoch之后，Embedding層的學習率設為2e-4

• 每個epoch或者半個epoch統計一次在驗證集的分數

• 如果分數上升，保存模型，並記下保存路徑

• 如果分數下降，加載上一個模型的保存路徑，並降低學習率為一半（重新初始化優化器，清空動量信息，而不是只修改學習率----使用PyTorch的話新建一個新優化器即可）

2.7 各個模型分數計算

訓練的時候，每個模型要么只訓練基於詞（word）的模型，要么只訓練基於字（char）的模型。各個模型的分數都差不多，這里不再單獨列出來了，只區分訓練的模型的類型和數據增強與否。

 

 

 

 

可以看出來

• 基於詞的模型效果遠遠好於基於字的（說明中文分詞很有必要）。

• 數據增強對基於詞（word）的模型有一定的提升，但是對於基於字（char）的模型主要是起到副作用。

• 各個模型之間的分數差距不大。

 

2.8 模型融合

像這種模型比較簡單，數據量相對比較小的比賽，模型融合是比賽獲勝的關鍵。

在這里，我只使用到了最簡單的模型融合方法-----概率等權重融合。對於每個樣本，單模型會給出一個1999維的向量，代表着這個模型屬於1999個話題的概率。融合的方式就是把每一個模型輸出的向量直接相加，然后選擇概率最大的5個話題提交。結構如圖所示：

 

 

 

 

下面我們再來看看兩個模型融合的分數：

 

 

 

 

第一列的對比模型采用的是RNN（不采用數據增強，使用word作為訓練數據），第二列是四個不同的模型（不同的結構，或者是不同的數據）。

我們可以得出以下幾個結論：

• 從第一行和第二行的對比之中我們可以看出，模型差異越大提升越多（RNN和RCNN比較相似，因為他們底層都采用了雙向LSTM提取特征），雖然RCNN的分數比Inception要高，Inception對模型融合的提升更大。

• 從第一行和第四行的對比之中我們可以看出，數據的差異越大，融合的提升越多，雖然基於字（char）訓練的模型分數比較低，但是和基於詞訓練的模型進行融合，還是能有極大的提升。

• 采用數據增強，有助於提升數據的差異性，對模型融合的提升幫助也很大。

總結： 差異性越大，模型融合效果越好。沒有差異性，創造條件也要制造差異性。

另外模型融合還有個規律：越往上越難提升,有些模型在你分數較低的時候，對融合提升很明顯，當你分數較高的時候就沒什么幫助，甚至會有干擾

2.9 MultiModel

其實模型融合的方式，我們換一種角度考慮，其實就是一個很大的模型，每一個分支就像多通道的TextCNN一樣。那么我們能不能訓練一個超級大的模型？答案是可以的，但是效果往往很差。因為模型過於復雜，太難以訓練。這里我嘗試了兩種改進的方法。

第一種方法，利用預訓練好的單模型初始化復雜模型的某一部分參數，模型架構如圖所示：

 

 

 

 

 

但是這種做法會帶來一個問題： 模型過擬合很嚴重，難以學習到新的東西。因為單模型在訓練集上的分數都接近0.5，已經逼近理論上的極限分數，這時候很難接着學習到新的內容。這里采取的應對策略是采用較高的初始學習率，強行把模型從過擬合點拉出來，使得模型在訓練集上的分數迅速降低到0.4左右，然后再降低學習率，緩慢學習，提升模型的分數。

第二種做法是修改預訓練模型的embedding矩陣為官方給的embedding權重。這樣共享embedding的做法，能夠一定程度上抑制模型過擬合，減少參數量。雖然CNN/RNN等模型的參數過擬合，但是由於相對應的embedding沒有過擬合，所以模型一開始分數就會下降許多，然后再緩慢提升。這種做法更優。在最后提交模型復現成績的時候，我只提交了七個這種模型，里面包含着不同子模型的組合，一般包含3-4個子模型。這種方式生成的權重文件也比較小（600M-700M左右），上傳到網盤相對來說更方便。

 

 

 

 

2.10 失敗的模型或沒什么用的方法

MultiMode只是我諸多嘗試的方法中比較成功的一個，其它方法大多以失敗告終（或者效果不明顯）

• 數據多折訓練：因為過擬合嚴重，想着先拿一半數據訓，允許它充分過擬合，然后再拿另外一半數據訓。效果不如之前的模型。

• Attention Stack，參考了這篇文章，其實本質上相當於調權重，但是效果有限，還麻煩，所以最后直接用等權重融合（權重全設為1）。

   

• Stack，太費時費力，浪費了不少時間，也有可能是實現有誤，提升有限，沒有繼續研究下去。

• Boost，和第二名Koala的方法很像，先訓一個模型，然后再訓第二個模型和第一個模型的輸出相加，但是固定第一個模型的參數。相當於不停的修正上一個模型誤判的(可以嘗試計算一下梯度，你會發現第一個模型已經判對的樣本，即使第二個模型判別錯了，第二個模型的梯度也不會很大，即第二個模型不會花費太多時間學習這個樣本）。但是效果不好，原因：過擬合很嚴重，第一個模型在訓練集上的分數直接就逼近0.5，導致第二個模型什么都沒學到。Koala隊伍最終就是憑借着這個Boost模型拿到了第二名，我過早放棄，沒能在這個方法上有所突破十分遺憾。

• TTA（測試時數據增強），相當於在測試的時候人為的制造差異性，對單模型的效果一般，對融合幾乎沒有幫助。

• Hyperopt進行超參數查詢，主要用來查詢模型融合的權重，效果一般，最后就也沒有使用了，就手動稍微調了一下。

• label設權重，對於正樣本給予更高的權重，訓練模型，然后和正常權重的模型進行融合，在單模型上能夠提升2-3個千分點（十分巨大），但是在最后的模型融合是效果很有限（0.0002），而且需要調整權重比較麻煩，遂舍棄。

• 用分類得到的詞向量作為下一個模型的embedding的初始值，因為官方給的word embedding是用無監督的word2vec訓練的，和有監督的分類問題還是有一定偏差的。沒有深入研究下去，對單模型應該是有提升，但是對融合可能沒什么幫助。

3 結束語

我之前雖然學過CS224D的課程，也做了前兩次的作業，但是除此之外幾乎從來沒寫過自然語言處理相關的代碼，能拿第一離不開隊友的支持，和同學們不斷的激勵。

這次比賽入門對我幫助最大的兩篇文章是用深度學習（CNN RNN Attention）解決大規模文本分類問題

https://zhuanlan.zhihu.com/p/25928551

和deep-learning-nlp-best-practices

http://ruder.io/deep-learning-nlp-best-practices/index.html

第一篇是北郵某學長（但我並不認識~）寫的，介紹了許多文本分類的模型（CNN/RNN/RCNN），對我入門幫助很大。

第二篇是國外某博士寫的，當時我已經把分數刷到前三，在家看到了這篇文章，嘆為觀止，解釋了我很多的疑惑，提到的很多經驗總結和我的情況也確實相符。https://zhuanlan.zhihu.com/p/28923961