2020最佳AI新基建年度榜
您正在使用IE低版浏览器,为了您的雷锋网账号安全和更好的产品体验,强烈建议使用更快更安全的浏览器
此为临时链接,仅用于文章预览,将在时失效
人工智能 正文
发私信给杨晓凡
发送

0

学术青年分享会:达观数据张健分享文本分类方法和应用案例 | 分享总结

本文作者:杨晓凡 2017-09-20 18:46
导语:文本分类有哪些主要方法,应用中有哪些思路?

雷锋网(公众号:雷锋网) AI 科技评论按:自然语言处理(NLP)一直是人工智能领域的重要话题,而人类语言的复杂性也给NLP布下了重重困难等待解决。随着深度学习(Deep Learning)的热潮来临,有许多新方法来到了NLP领域,给相关任务带来了更多优秀成果,也给大家带来了更多应用和想象的空间。

近期,雷锋网 AI 研习社就邀请到了达观数据的张健为大家分享了一些NLP方面的知识和案例。

分享主题:达观数据 NLP 技术的应用实践和案例分析 

分享人:张健,达观数据联合创始人,文本挖掘组总负责人,包括文本审核系统的架构设计、开发和日常维护升级,文本挖掘功能开发。复旦大学计算机软件与理论硕士,曾在盛大创新院负责相关推荐模块,在盛大文学数据中心负责任务调度平台系统和集群维护管理,数据平台维护管理和开发智能审核系统。对大数据技术、机器学习算法有较深入的理解和实践经验。

学术青年分享会:达观数据张健分享文本分类方法和应用案例 | 分享总结

此次分享中,张健按照NLP概述、文本分类的传统方法、深度学习在文本分类中的应用和案例介绍四个板块,结合在达观数据的系统设计和应用经验,分享了他的见解。

学术青年分享会:达观数据张健分享文本分类方法和应用案例 | 分享总结

达观数据是一家专注于文本挖掘和搜索推荐技术服务的企业,总部位于上海浦东软件园。达观的NLP挖掘系统的设计思路是,用户直接接触的到的最终功能,他们称为是篇章级应用,可以处理整段的文本,提供的功能包括文本自动分类、情感分析、自动文本标签、违禁词汇和垃圾评论识别等。在下方支持编章级应用的是短串级应用,更底层一些,在词组、短句的层面上提供结构分析和变形、词位置分析、近义词替换等功能。最底层、最小粒度的是词汇级应用,比如中文分词、词粒度分析、调性标柱等等。

学术青年分享会:达观数据张健分享文本分类方法和应用案例 | 分享总结

学术青年分享会:达观数据张健分享文本分类方法和应用案例 | 分享总结

文本挖掘的任务可以分成四类:

  • 同步的序列到序列,特点是输入文本的每一个位置都有对应的输出

  • 异步序列到序列,输入和输出可以不完全对应

  • 序列到类别,给文本加上标签

  • 类别到序列,根据给定的标签生成文本

然后张健依次介绍了序列到序列任务中几种问题的常见解决方案。

学术青年分享会:达观数据张健分享文本分类方法和应用案例 | 分享总结

学术青年分享会:达观数据张健分享文本分类方法和应用案例 | 分享总结

在序列标注/命名实体识别问题中,每个词都会有各自的标签;选用的词汇标签体系越复杂,标注精度就越高,但同时训练也就越慢。所以需要根据人力、时间等成本选择合适的标签体系。

学术青年分享会:达观数据张健分享文本分类方法和应用案例 | 分享总结

英文不需要分词,但是多了词形还原和词根提取的问题。在这里,张健推荐WordNet来帮助解决相关问题。

学术青年分享会:达观数据张健分享文本分类方法和应用案例 | 分享总结

学术青年分享会:达观数据张健分享文本分类方法和应用案例 | 分享总结

接下来进入了今天讲解的重点,就是文本分类。

学术青年分享会:达观数据张健分享文本分类方法和应用案例 | 分享总结

学术青年分享会:达观数据张健分享文本分类方法和应用案例 | 分享总结

传统机器学习方法做文本分类会需要文档建模、文本语意、特征抽取、特征向量赋权等步骤。

学术青年分享会:达观数据张健分享文本分类方法和应用案例 | 分享总结

学术青年分享会:达观数据张健分享文本分类方法和应用案例 | 分享总结

学术青年分享会:达观数据张健分享文本分类方法和应用案例 | 分享总结

学术青年分享会:达观数据张健分享文本分类方法和应用案例 | 分享总结

具体到分类器的设计,常用的四种思路为朴素贝叶斯分类器、支持向量机分类器、KNN方法和决策树方法。

学术青年分享会:达观数据张健分享文本分类方法和应用案例 | 分享总结

然后还可以聚合多个分类器来提高准确率。最简单的想法是用多个模型分别预测然后投票,实际的聚合方法是另外训练一个分类器,模仿多个分类器组合后的结果。这里需要原来的几个分类器效果不能太接近,而且不能有太差的。

学术青年分享会:达观数据张健分享文本分类方法和应用案例 | 分享总结

在有了深度学习以后,文本分类又有了很多效果出色的新方法。

学术青年分享会:达观数据张健分享文本分类方法和应用案例 | 分享总结

首先可以用CNN做文本分类,它不需要人工特征,而对词序包含的信息提取能力更强。

学术青年分享会:达观数据张健分享文本分类方法和应用案例 | 分享总结

在基础的CNN之上,可以在其中不同的层使用不同的思路,衍生出来RNN+CNN、DCNN(动态池化,更适合不同长度的文本)、Very Deep Network等等。

学术青年分享会:达观数据张健分享文本分类方法和应用案例 | 分享总结

常用的方法还有RNN和LSTM,适合变长序列的建模。序列过长的时候,一般的RNN因为容量的问题会丢失信息、误差增大,它的变种LSTM中通过三个门之间的信息保留和更新,更好地解决了长距离依赖的问题。双向LSTM同时有正向和反向的部分,可以同时捕获上文和下文的信息,表现也比单向的更好。

学术青年分享会:达观数据张健分享文本分类方法和应用案例 | 分享总结

然后就是近期风靡的注意力模型,是编码解码器的升级版本。Encoder-Decoder模型的问题是,输入中的每个词都对输出有同样程度的影响。但实际语言中往往不是这样的,注意力模型就可以对输入中的不同词赋予不同的权重,让对语意影响程度更高的词语对输出有更高的影响力,从而在输出中更好地体现了输入的关键信息。

学术青年分享会:达观数据张健分享文本分类方法和应用案例 | 分享总结

学术青年分享会:达观数据张健分享文本分类方法和应用案例 | 分享总结

张健最后结合达观数据的业务介绍了一些NLP的应用案例。

学术青年分享会:达观数据张健分享文本分类方法和应用案例 | 分享总结

比如结合定制行业专业语料、垂直语意模型、离线统计、语意拓展等等方法进行新闻分类,结合无监督预训练+持续Fune Tuning的训练方法,不仅可以分为新闻、财经、科技、体育、娱乐、汽车等大类,财经中股票、基金、外汇,体育中NBA、英超、中超等细分类别也可以分得出来。

学术青年分享会:达观数据张健分享文本分类方法和应用案例 | 分享总结

第二个案例是垃圾信息识别。现在许多广告信息都会用特殊字符(火星文)尝试骗过识别系统,就需要对变形词做识别还原,方法包括去除特殊符号、同音和繁简变换、偏旁拆分等。还可以先用语言模型识别文字,发现语意不通顺、胡言乱语的,就很有可能是故意规避关键字检查的垃圾信息。

学术青年分享会:达观数据张健分享文本分类方法和应用案例 | 分享总结

第三个案例是情感分析。简单的方法可以根据直接表达感情的关键词做判断,还可以做特征工程然后用机器学习的方法识别语句模式,以及用深度学习的方法得到更好的信息提取效果。

学术青年分享会:达观数据张健分享文本分类方法和应用案例 | 分享总结

最后张健还分享了一个他们的文本挖掘系统的使用链接,感兴趣的读者可以尝试一下他们系统不同层次的丰富功能。

本次分享的视频录像可以点此观看

更多精彩分享请继续关注雷锋网!

雷锋网原创文章,未经授权禁止转载。详情见转载须知

学术青年分享会:达观数据张健分享文本分类方法和应用案例 | 分享总结

分享:
相关文章

文章点评:

表情

读论文为生

日常笑点滴,学术死脑筋
当月热门文章
最新文章
请填写申请人资料
姓名
电话
邮箱
微信号
作品链接
个人简介
为了您的账户安全,请验证邮箱
您的邮箱还未验证,完成可获20积分哟!
请验证您的邮箱
立即验证
完善账号信息
您的账号已经绑定,现在您可以设置密码以方便用邮箱登录
立即设置 以后再说