文本分类（Text Classification )：从数据处理到模型设计需要注意的点

1 样本处理

在NLP领域，文本分类是最常见的功能，在实际中更是得到了广泛的应用。那么设计一个文本分类模型需要注意什么？由于自己最近在做文本分类相关的工作，把遇到的一些常见问题做了一个整理和总结。
磨刀不误砍柴工，不要急于去训练模型，对自己手头的数据前期做一个分析是很有必要的。巧妇难为无米之炊，数据质量不好，再好的模型也是无济于事。

1.1 清洗数据

在实际场景中，数据难免会有杂质，特别是通过间接方式获得label标签而不是人工标注的数据。先抽样一些数据做一个评估，看数据的质量情况，如果发现数据有些问题，看是否可以做一些处理，提升数据的质量，比如一些数据特征缺失，是否可以进行一些填充等。总比满怀期待的用“高大上”的模型训练，发现效果不理想，开始质疑模型或者自己的能力要好的多，而且还可以提升整个工作效率。

1.2 分析类别样本量占比

文本分类，很常见的一个问题就是类别样本不平衡，这也是符合实际情况的。有些类别的样本会比较多，有些类别的样本会比较少。所以，先统计分析下样本中的每个类别数据量占比，如果出现很不平衡的情况，看是否可以做一些预处理，平滑下样本，所谓知己知彼百战百胜，如果对自己要训练模型的数据有个很好的了解，那过程中出现什么问题，也不会感觉到迷糊了。那么如果遇到问题分类样本不平衡，可以做一些什么操作？

1.3 过采样（over-sampling）和欠采样（under-sampling）

对样本多的类别进行欠采样，对样本少的类别进行过采样，平衡类别之间的样本差距，提高模型对少样本的类别识别准确率。
问题：减少样本多的类别数据，一定程度上减少了样本的丰富性，以及对少样本的类别过采样，会增加模型的过拟合，也有可能识别效果没有达到理想的情况。

1.4 数据扩增（data augmentation）

通过对少样本的类别进行一些数据扩增，常见的扩增主要有两种方式：第一种：对原文本进行同义词替换，增加，删除一些词等操作进行数据上的扩增。第二种方式是，用生成式的方式，让模型生成新的文本，从而到达扩增样本的作用，我前一篇的博文easy data augmentation，大概有总结这两个方法。

2 模型选择

模型选择方面，可以根据自己的实际任务进行选择，如果文本分类任务符合如下三个方面特性，则可以针对性地设计模型。

2.1 序列特征

如果文本分类任务中，序列特征较明显，比如“牛奶巧克力”和“巧克力牛奶”把两个词"巧克力"和“牛奶”调换一下顺序，则表达的物体完全变了，需要选择对序列特征提取较好的模型，像基础的DNN模型，仅仅是简单的平均或者求和方式获取整个句子的向量，就会丢失位置信息特征，其它几个结构的模型都可以对这种序列特征学习，相对来说，基于RNN结构的模型在序列特征提取这块更加突出。

2.2 attention机制

如果分类任务，句子中有较明显的特征词可以代替整个句子意图，可以选择含有attention机制的模型，让模型在学习中可以自动去学习句子重要特征的词，例如，正负情感分类任务中，其中的情感词在对整个句子的正负情绪起到决定的作用。

2.3 速度

文本分类，常见的DNN，CNN，RNN，Transformer结构模型都适合做文本分类，基于大量语料pretrain的模型像bert等，效果会更好。可以根据自己的实际任务和需求进行模型选择，如果对速度要求比较高的在线任务，可能就需要折中效果和效率，模型越深，速度相对越慢。所以根据实际情况，兼顾效率和准确率，选择模型。当然也可以做一些模型压缩，工程优化等方案提高预测速度。

3 loss function设计

根据我们的分类实际任务和数据情况，可以选择合理的目标function。一般在文本分类上，用的多的是交叉熵loss，但可以根据自己的实际需求，在loss方面可以进行调整。如果样本类别不均衡，可以适当调整loss，对样本少的类目加大loss权重。如果实际任务中，更看重召回率，那么可以对正样本的loss加大权重等，根据自己实际情况，设计更合理的loss，具体可以参考我前一篇关于loss总结的博文loss 设计