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

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。

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。

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。

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。

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。

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。

接下来进入了今天讲解的重点，就是文本分类。

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。

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。

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。

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。

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。

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。

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。

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。