我国“互联网+”技术在各方面取得了积极进展^[1], 网上的新闻报道、交互平台每时每刻都在发布各式各样大量的短消息^[2], 短文本自动分类在信息解锁、智能推荐、搜索引擎等方面的应用越来越重要, 按照既定的目标对其进行分类, 可以大大提高用户获取有效信息的质量和速度.

短文本分类是指对聊天、购物、新闻等平台的回复、留言、建议意见等按照给定的分类标准进行分类. 目前短文本分类特征提取和表示的过程面临如下问题^[3]: (1)内容简短信息量少、特征向量表示高维稀疏. (2)缺乏语义、主题分布不明显. (3)含有大量的噪音特征.

近年来, 机器学习、深度学习逐渐推广应用^[4], 基于特征提取的短文本分类方法取得了较大成效. 唐明等人^[5]使用Word2vec语言模型表示文档向量, 解决传统特征向量空间表示高维稀疏问题; 张培颖^[6]等人使用语义距离计算类别的特征向量集合, 然后再确定文本类别; 姜芳^[7]等人针对文本特征表示高维稀疏、忽略低频词的问题, 提出通过聚类算法利用语义距离挖掘相关主题特征, 然后用信息增益提取特征; 然而上述文本分类方法考虑影响特征提取的因素单一, 分类准确率有待提高, 运算开销有待降低.

1 相关工作

常见的文本特征提取方法包括基于算法和基于评估标准的过滤方法.

特征选择算法包括无监督的TF-IDF和有监督的卡方、信息增益、互信息^[8]; TF-IDF算法的优点是结果较接近实际情况方便快速, 不足之处是片面的用单一的“词频”作为特征重要性的衡量标准, 因为具有强类别区分能力的词可能词频较低, 除此之外, TF-IDF不能很好的体现特征的语义和位置信息; 而卡方检验和TF-IDF相反, 增强了低频词的类别区分能力, 信息增益最大的问题是只分析特征对整体的重要性, 忽略了对每个类别重要性的考察, 所以这些方法通常结合其它算法综合评判特征的类别区分能力.

过滤方法^[9]是从语料库的一般特征中选择特征子集, 利用独立的评估指标(比如距离度量, 熵度量, 依赖性度量和一致性度量)评价该特征的重要性, 并把评分分配给每个单独的特征, 因此, 过滤方法只会选择一些指标性能排名靠前的特征, 而忽略其他特征, 通常, 过滤方法由于简单和高效, 多用于文本分类; 然而, 过滤方法仅利用训练数据的固有特性来评价特征的分类性能, 而不考虑用于分类的学习算法, 这样可能导致超出期望的分类性能, 对于特定的学习算法, 很难确定哪种特征过滤选择方法最适合用于分类.

针对传统的TF-IDF方法在提取特征时词汇在类间的分布情况不明显的问题, 周源^[10]等人通过扩充IDF的方差值来区分词汇在不同类间的集中程度; 姚海英提出基于特征词频度和类内信息熵的卡方统计方法修正IDF值, 然后用此IDF增强特征词的类别区分能力; 牛萍^[11]等人用改进的TF-IDF算法提取特征项, 考虑了特征词汇位置和长度对特征权重的影响; 陈杰^[12]等人通过将Word2vec和TF-IDF结合, 重新为每个特征词赋予权重实现文本分类; 汪静^[13]等人在短文本分类中引入Word2vec模型, 解决空间向量表示高维稀疏和缺乏语义的问题; 虽然上述方法一定程度上改进了传统算法, 但也存在缺陷, 仅TF-IDF或者改进后TF-IDF无法分析不同维度对分类结果的影响而且缺乏语义信息, 而Word2vec和TF-IDF结合的模型忽略Word2vec中上下文冗余特征对词向量贡献的影响.

本文提出了一种多因素考量特征选择的短文本分类方法. 首先, 利用TF-IDF算法具有良好的特征区分能力, 提取并计算短文本特征词汇的权重; 其次, 引入改进后的Word2vec语言模型更加深层次的表示短文本语料特征; 然后, 用TF-IDF算法计算特征词汇的权重区分改进Word2vec模型特征的重要性; 最后, 通过上述短文本特征提取过程构建评价函数建立短文本分类模型, 并把其应用在不同的分类器上进行实验.

文本分类过程中, 融合多因素提取文本特征的方法有很多, 大致可以分为两种: 分类器的融合和统计方法的融合. 融合分类器在长文本分类表现优异, 一定程度上可以改善文本分类效果, 但没有分析语料特性对分类结果的影响, 在短文本语料上的分类效果一般; 融合统计方法虽然有从特征位置、词性、语义等角度综合考虑, 但在分类准确性和训练时间上任有待提高, 本文提出的方法相对于以上方法有以下优势:

(1)统计方法与深度学习相结合. 统计方法准确的计算特征重要性, 利用深度学习更加丰富的表达文本信息.

(2)用改进的Word2vec深度学习模型训练不同维度的词向量, 分析其对分类结果的影响并找到合适的特征维度.

(3)特征选择函数融合了特征语义、重要性、维度.

2 多因素融合 2.1 计算特征重要性

常规的特征选择评价函数有很多, 体现特征重要性的方法也不尽相同. 评估一个特征的重要性通常是由该特征表示的向量权重来体现, 即如果一个特征由向量权重评估计算的权值越大, 说明该特征的类别区分性能越强. TF-IDF的优势在于可以评估特征词相对于语料库中其中一篇文档的重要程度, 还可以去除常见的但对于文本分类不重要的特征词, 保留重要的特征词; 虽然它的没有考虑在同一个类内和不同类间特征的分布情况, 但任可以去除常见但对于文本分类不重要的词汇, 保留重要的特征词. 特征词汇的重要性权重计算公式为:

$W\left( {{{t}},Di} \right) = \frac{{{{m}}i,j}}{{\sum\nolimits_k {{{m}}k,j} }} \times \log \frac{{\left| {{D}} \right|}}{{\left| {1 + \left| {\left\{ {j:ti \in {{D}}j} \right\}} \right|} \right|}}$

(1)

其中, t_i是给定的某一特征词, m_{i, j}是这个特征词在文档D_j中出现的次数, |D|是语料库中所有文档数目之和, |{j:t_i∈D_j}|为含有特征词t_i的文档数目(m_{i, j} ≠0的文件数目), 一般情况下使用1+|{j:t_i∈D_j}|可以防止该特征词不在语料库中被除数为零的情形. 如表1为摘自某购物平台预处理后的商品评论的TF-IDF值, 由表1可知, TF-IDF值为0代表该特征词没有在该文档中出现或TF-IDF小于某个阈值被过滤掉, 不为0的TF-IDF值可以反映该特征对评论分类的贡献程度.

2.2 提取低维、语义化特征

特征的维度对短文本分类效果至关重要, 若特征太多会出现大量冗余, 增加文本分类的训练时间, 若特征太少, 又会缺乏表征文本类别的重要特征.

随着深度学习的推广应用, Word2vec模型表示文档向量并实现文本分类取得了良好成效. 在维度方面, Word2vec可以通过训练把文本内容简化到K维向量空间中进行向量运算, 达到文本特征高效降维的目的; 在语义方面, Word2vec可以通过特征词之间的距离快速的训练词向量, 并计算出特征向量空间的相似度, 来表示文本特征语义上的相似度, 与潜在语义分析LSI、潜在狄立克雷分布LDA相比, Word2vec更加丰富的利用了词的文档中上下文中的语义信息.

Word2vec神经网络语言模型有两种, 分别是CBOW和Skip-gram. CBOW模型是从给定上下文各c个词预测目标词的概率分布, 例如, 给定学习任务: “今天 下午 2点钟 软件实验室 成员 开例会”, 使用“今天 下午 软件实验室 成员 开 例会”预测单词“2点钟”的概率分布, 而Skip-gram模型则和CBOW模型相反, 是从给定目标词预测上下文各c个词的概率值, 例如, 使用“2点钟”来预测“今天 下午 软件实验室 成员 开 例会”中的每个单词的概率分布.

Word2vec模型删除传统神经网络语言模型中的隐藏层, 直接将中间层与输出层连接, 复杂度得到优化, 特征维度减小, 输出采用哈夫曼树, 运算量降低; 以CBOW为例, 通过分析Word2vec模型可知, 传统的Word2vec模型中每个词向量的贡献度是通过梯度

求和实现的, 词向量的更新公式为:

$V(w) \leftarrow V(w) + {\rm{\eta }}\sum\limits_{j = 2}^{\ell (w)} {\frac{{\partial (w,j)}}{{\partial Xw}}} $

(2)

其中, V(w)为词向量, η为学习率, w为语料库中的一个特征词, Context(w)表示特征词w的上下文特征词的集合, j是哈夫曼树中的第j各节点X_w是上下文各词向量的累加和.

虽然Word2vec能够表示文档向量, 但仍有缺陷, 传统的模型通过学习率η把求得的梯度和分配给每一个词的词向量, 在这种情况下, 若其中有一个词向量是冗余的, 将导致词向量计算出现偏离进而影响特征词对整篇文档的表达, 如果要缩小冗余对词向量更新准确性的影响, 考虑采用均衡贡献的思想, 把梯度和求平均值累加到原词向量上, 因此本文提出一种改进Word2vec模型, 引入均衡因子来缩减个别冗余特征等对词向量表达的影响, 采用平均贡献后更新的误差将小于直接求和更新的误差, 用改进的模型更新词向量. 均衡因子β的计算为:

$\beta = \frac{{\rm{\eta }}}{{\left| {context(w)} \right|}}$

(3)

所以改进后的词向量更新公式为:

$V(w) \leftarrow V(w) + \beta \sum\limits_{j = 2}^{\ell (w)} {\frac{{\partial (w,j)}}{{\partial Xw}}} $

(4)

改进后的的Word2vec模型训练得到的词向量表示如图1所示.

2.3 构造特征选择评价函数

短文本特征提取的时, 特征的维度、语义、重要性均可影响短文本分类效果, 所以需采用一定的方法对这些因素进行融合来提取短文本特征.

包含M个文档的集合D, 其中Di(i=1, 2, …, M)已经采用分词工具NLPIR对中文文档进行分词, 将其通过改进的Word2vec模型进行训练, 设置每个特征词训练窗口的大小, 取不同维数的输出向量, 得到每个分词对应的N维词向量h, 其中h=(v₁, v₂, …, v_n).

对每类文档集中的每篇文档里的每个分词, 首先将短文本分词向量化, 然后利用TF-IDF算法计算其在该文档中的权重W(t, Di), 其表示为词t在文档Di(i=1, 2, …, M)中的权重. 对于每篇文档Di(i=1, 2, …, M), 其特征选择函数的表示形式如下:

$FS = \sum\limits_{t \in {\rm{D}}i} {htW(t,{\rm{D}}i)} $

(5)

其中, h_t表示特征词t的词向量, 所以文档向量还是一个N维的实数向量.

FS特征选择函数利用改进后的Word2vec模型训练短文本, 得到低维、语义化的词向量, 再通过TF-IDF算法计算不同词向量的权值, 增强具有类别区分能力特征项的权值, 削弱冗余项的类别区分能力, 最终可以用于文本分类.

3 实验 3.1 实验数据

实验所使用的数据取自搜狗实验室中文文本分类语料库, 将下载的原始数据进行转码, 文档切分, 然后给文本标类别标签, 划分训练与测试数据, 共包含文本21 924篇, 分为11类, 分别是汽车、财经、IT、健康、体育、旅游、教育、军事、文化、娱乐和时尚, 其中每类有2000篇, 按4:1分为1600篇训练文本和400篇测试文本, 然后控制文本长度最多不超过100个词; 文本分词是预处理过程中必不可少的一个操作, 使用中国科学院计算机研究所分词工具ICTCLAS分词; 去停用词也是预处理过程中不可缺少的一部分, 去停用词包括(标点、数字、单字和其它一些无意义的词), 比如说“这个”、“的”、“一二三四”、“我你他”、“0 1 2 … 9”等.

3.2 文本向量化及权重修正

当词汇表变得很大时, 特征词频率和权重向量化表示文本有一定的局限性^[14], 这需要巨大的向量来编码文档, 并对内存要求很高, 而且会减慢算法的速度, 一种很好的方法是使用单向哈希方法来将单词转化成整数, 该方法不需要词汇表, 可以选择任意长的固定向量, 缺点是哈希量化是单向的, Python中的HashingVectorizer类实现了这一方法, 向量化完毕后使用tfidftransformer类进行特征的权重修定.

3.3 评价指标

对于给定的类别, 评价指标采用准确率、分类器的训练时间. 准确率, 又称“精度”, 表示正确分类到该类的文本占分类到该类文本的比例, 计算如下:

$Precision = \frac{{{\text{正确分类到该文本的个数}}}}{{{\text{分类到该类文本的个数}}}}$

(6)

并检测短文本分类过程中分类器的训练时间.

3.4 短文本分类实验

为了验证该方法的有效性, 实验分别在SVM(支持向量基)、KNN(K近邻分类器, 取K=10)分类器上进行短文本分类实验, 流程如图2.

实验一: 基于TF-IDF特征重要性的短文本分类实验, 取不同特征数时用评价指标对实验结果进行评价, 特征维数对准确率和训练时间的影响分别如图3和图4, 从图3中可以看出, 原来经过预处理的短文本特征有64 858个, 利用哈希方法向量化特征并设置不同的特征维数, 当特征在10 000–60 000维时准确率虽然有波动但都较高, 而且变化范围不大, 在SVM分类器上的准确率在84.5%~86.1%之间, 因为当特征数比较多达到上万维时有冗余特征, 在适当的范围内去掉一些冗余特征可以提高运算效率, 而对准确率影响不大; 当特征提取到10 000维以下时, 准确率急剧下降, 当特征数为500维时, SVM分类器的准确率下降到64.3%, KNN分类器上的准确率下降到69.2%, 特征提取时去掉了许多重要的特征, 影响了短文本分类效果. 从图4中可以看出, 在SVM分类器上短文本分类训练时间随着特征数的增加而增加, 变化范围为50 s~70 s之间, 而在KNN分类器上训练时间相对较少, 不同维数下的训练时间均在1 s以下.

虽然上述实验中词汇特征重要性得到体现, 但当文本特征数提取下降到10 000维时, 相对于70 000维来说维度有所降低, 但特征维数还是很高, 特征提取时忽略了语义信息, 而且短文本分类在SVM分类器上的训练时间较长, 所以进行了以下实验;

实验二: 特征提取时多因素融合(特征、维度、语义)的短文本分类实验, 哈希向量化特征为10 000维时计算特征重要性权重, 设置改进Word2vec模型参数, 使用Skip-gram模型, 不同的词向量输出维度范围设置在50~500维之间, 取不同特征维数时用评价指标对实验结果进行评价, 特征维数对准确率和训练时间的影响分别如图5和图6, 从图5中可以看出, 原来经过预处理的短文本特征有64 858个, 利用改进Word2vec模型向量化设置不同的特征维数, 在SVM分类器上的准确率变化范围在84%~88%之间, 当特征提取到300维左右时, 准确率达到最大, 当特征大于或小于300维时, SVM分类器的准确率开始下降, 但不会下降太多, 最低为84%; 同理, KNN分类器上的准确率在150维左右时达到最大; 因为在适当的范围内去掉一些冗余特征可以提高运算效率, 而准确率不会有很大影响, 从图6中可以看出, 在SVM分类器上训练时间随着特征数的增加而增加, 变化范围为12 s~63 s之间, 训练时间整体比单一的基于词汇重要性TF-IDF的训练时间少; 而在KNN分类器上训练时间变化范围为1 s~11 s之间, 训练时间整体比单一的基于词汇重要性TF-IDF的训练时间多.

4 结束语

新的特征选择评价函数从特征语义和权重的层面进行需求分析, 不仅解决了传统向量空间模型特征表示高维稀疏的问题, 从改进的Word2vec语言模型出发, 采用线性映射将词的独热表示投影到稠密向量表示, 引入向量均衡因子更精确的更新词向量, 而且还融入传统特征选择方法不具有的语义性, 实验表明基于多因素融合特征选择后的方法在SVM和KNN分类器上准确率都有提高; 由于分类器的性能不同, 训练时间在SVM分类器上有所减少, 在KNN分类器上的训练时间增加, 但在提高分类准确率的同时牺牲少量的训练时间是可以接受的; 但也有不足之处:

FS特征选择方法虽然量化了特征维数和重要性, 分类准确率也有所提高, 但是否有比TF-IDF准更好特征重要性衡量标仍有待研究; Word2vec模型对多义词无法很好的表示和处理, 因为使用了唯一的词向量, 而且词汇上下文没有顺序性, 语义性削弱, 在语义性方面还有待优化; 针对特征提取的需要, 考虑应用深度学习算法改进特征选择评价函数.