label-embedding在文本分类中的应用

最近在做文本分类相关的工作，目标是想提高分类器泛化新样本的能力，当有新样本产生的时候能够不需要重新训练分类器。所以挖了挖这个领域的研究，不挖不知道，一挖吓一跳，没想到这个坑还挺深的，看着看着就从普通的分类延续到 few-shot，zero-shot 以及 meta-learning 去了。在这里先介绍几篇与 label-embedding 相关的工作，以后有时间了其他的方法有时间了慢慢码字。

LEAM

论文标题： Joint Embedding of Words and Labels for Text Classification

论文来源： ACL 2018

论文链接： https://arxiv.org/abs/1805.04174

代码链接： https://github.com/guoyinwang/LEAM

1.1 概述

这篇文章作者将文本分类看作是一个 label-word 的联合嵌入问题：可以将每个 label embedding 到 word 向量相同的空间中。

作者提出了一个注意力框架 Label-Embedding Attentive Model (LEAM) 的模型，该模型能够学习 word 和 label 在同一空间的 representation，并且可以用来衡量文本序列和 label 之间 embedding 的兼容性。其中注意力是在标记样本的训练集上学习的，以确保在给定的文本序列中，相关词的权重高于不相关词。

该方法保证了 word-embedding 的可解释性，并具有利用除了输入文本序列之外的其他信息源的能力。

在 Zero-Shot learning 中，label embedding 是一个很经典的方法，通过学习 label embedding，模型可以预测在训练集中未曾出现过的类别。

1.2 方法

首先作者介绍了，一般的方法将文本分类看做以下几个步骤：

f0： 将句子 embedding 的过程。L 是序列长度，P 是 embedding 的维度。

f1： 将句子 embedding 进行各种操作的过程，一般就是模型（TextCNN，BERT…）。

f2： 模型输出之后的 ffn，用于映射到最后的 label 空间。

一般方法在 f1 只利用了来自输入文本序列的信息，而忽略了 label 的信息。作者发现使用标签信息只发生在最后一步 f2，因此作者提出一种新的 pipeline，将label信息纳入每一步，如下图所示:

作者提出的方法将文本分类看做以下几个新的步骤：

f0： 学习 label 的 embedding 作为“anchor points”来影响 word embedding。

f1： 利用 label 和 word 之间的相关性进行 word embedding 的聚合。

f2： 保持不变。

V 为 sequence embedding 的矩阵，C 为 label embedding 的矩阵，利用 cosine 相似度计算每个 label-word 之间的相似度：

进一步获取连续词（即连续词）之间的相对空间信息，对于以 l 为中心长度为 2r+1 的文本做如下操作：

之后利用 max-pooling，可以得到最大相关的系数：

ml 是长度为 l 的向量，整个文本序列的兼容性/注意力得分为:

1.3 实验

MTLE

论文标题： Multi-Task Label Embedding for Text Classification

论文来源： ACL 2018

论文链接： https://arxiv.org/abs/1710.07210

本文作者指出了文本分类的三个缺陷：

• 缺少 label 信息：每个任务的标签都用独立的、没有意义的单热点向量来表示，例如情绪分析中的正、负，编码为 [1,0] 和 [0,1]，可能会造成潜在标签信息的丢失。
• 不能 scaling（不造咋翻译了，缩放？）：网络结构被精心设计来建模多任务学习的各种关联，但大多数网络结构是固定的，只能处理两个任务之间的交互，即成对交互。当引入新的任务时，网络结构必须被修改，整个网络必须再次被训练。
• 不能迁移：对于人类来说，在学习了几个相关的任务之后，我们可以很容易的就可以处理一个全新的任务，这就是迁移学习的能力。以往大多数模型的网络结构都是固定的，不兼容的，以致于无法处理新的任务。

因此，作者提出了多任务 label embedding (MTLE)，将每个任务的 label 也映射到语义向量中，类似于 word embedding 表示单词序列，从而将原始的文本分类任务转化为向量匹配任务。

作者提出了三种模型：

第一种假设对于每个任务，我们只有 N 个输入序列和 C 个分类标签，但是缺少每个输入序列和对应标签的具体标注。在这种情况下，只能以无监督的方式实现 MTLE。包含三个部分：input encoder, label encoder, matcher。两个 encoder 将文本编码成定长的向量。

第一种由于使用了非监督方法，performance 不如有监督的。

第二种就是有监督的了，两个 LSTM 分别对 label 和句子进行编码，之后分别 concat，过一层全连接（），得到 logits，个人感觉这个交互做的过于简单。

第三种则是基于 MTLE 的半监督学习模型。

第二种和第三种之间唯一的不同是它们处理新任务的方式。如果新任务有标签，可以选择第二种的 Hot-Update 或 Cold-Update。如果新的任务完全没有标记，仍然可以使用第二种进行向量映射，无需进一步训练就可以为每个输入序列找到最佳的标记（但是还是映射到原来就有的 label 里），作者将其定义为 Zero-Update。

Hot-Update、Cold-Update 和 Zero-Update 之间的区别如下图所示，其中， Before Update 表示在引入新任务之前对旧任务进行训练的模型。

• Hot-Update: 在训练过多个 task 的模型基础上进行 finetune。
• Cold-Update: 在所有的 tasks 上重新训练。
• Zero update: 不更新模型。利用训练过的模型在新 task 上直接得出结果。

实验结果如下：

第二种在多个数据集也碾压了很多当时不错的 model。

EXAM

论文标题： Explicit Interaction Model towards Text Classification

论文来源： AAAI 2019

论文链接： https://arxiv.org/abs/1811.09386

代码链接： https://github.com/NonvolatileMemory/AAAI_2019_EXAM

该文章的 idea 和以上的几篇类似，文本分类中没有充分利用 label 信息的问题，也都指出了对 label 做 encoding 的方法，作者提出了一个新的框架 EXplicit interAction Model (EXAM)，加入了 interaction mechanism。

3.1 概述

如下图所示，传统分类的解决方案通过 dot-product 操作将文本级表示与 label 表示匹配。在数学上，FC 层的参数矩阵可以解释为一组类表示（每个列与一个类关联）。

因此，文本属于某个类的概率在很大程度上取决于其整体匹配得分，而与单词级匹配信号无关，单词级匹配信号会为分类提供明确的信号（例如，missile 强烈暗示了军事的主题）。

针对上述情况，作者引入了交互机制，该机制能够将单词级匹配信号纳入文本分类中。交互机制背后的关键思想是显式计算单词和类之间的匹配分数。从单词级别的表示中，它会计算一个交互矩阵，其中每个条目是单词和类（dot-product）之间的匹配得分。

3.2 模型

3.2.1 字级编码器（Encoder），用于将输入文本 d_i 投影到字级表示 H。

• Gated Recurrent Unit
• Region Embedding 来学习和利用 Ngrams 的任务特定的分布式表示。

3.2.2 交互层（Interaction），用于计算单词和类之间的交互信号的交互层。

3.2.3 聚合层（Aggregation），用于聚合每个类的交互信号并进行最终预测。

该层的设计目的是将每个类的交互特性聚合到一个 logits 中，表示类与输入文本之间的匹配分数。聚合层可以通过不同的方式实现，如 CNN 和 LSTM。但是，为了保持考试的简单性和效率，这里作者只使用了一个具有两个 FC 层的 MLP，其中 ReLU 被用作第一层的激活函数。在形式上，MLP对类的交互特性进行聚合，并计算其关联 logits 如下:

3.2.4 Loss（Cross Entropy）

3.3 实验结果

3.4 结论

本文使用交互机制来明确地计算文本分类的单词级交互信号，并将 EXAM 应用于多类和多标签文本分类。对几个基准数据集的实验验证了该机制的有效性。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】