Deep Learning-Based Document Modeling for Personality Detection from Text 阅读笔记

代码地址

https://github.com/SenticNet/personality-detection

1. 摘要

这篇文章讲的是基于深度学习， 通过提取文本特征，得到一个人的五大性格的倾向（是/否）。 具体来说：使用CNN（卷积神经网络）对文本进行性格特征的抽取，并且在得到文档语义特征之后 将其和文档格式特征组合起来变成总特征， 然后对其进行二分类，得到结果。

2. 方法综述

我们的步骤包括输入信息预处理， 过滤， 特征提取和二分类。其中我们提取的特征包括两个方面， 一个是在文档层面上的文本格式特征。
另一个文档层面上的语义特征，把提取的这两个特征组合起来用于最后的二分类。
特别的， 文档层面上的语义特征的提取是 先把每个词用向量表示出来， 然后输入到CNN， CNN通过把词组成n-grams， n-grams组成句子， 句子组成文档的这样一种层次方式 得到文档层面上的语义特征 ， 后面会详细说到。

2.1 输入信息预处理

包括分句， 数据清理， 合并， 比如转换成小写之类的。

2.2 文档层面的格式特征提取

我们使用Mairesse baseline feature set 这个特征集这个规范提取格式方面的特征， 包括此的个数， 平均句子长度等

2.3 数据过滤

因为有些句子可能并没有包含有用的性格信息， 我们将这些信息过滤掉， 提高CNN的表现， 具体细节文章没有给出，需要自行看代码。

2.4 单词层面上的特征提取

首先通过word embedding（词嵌入）把单词变成一个向量，或者说把词空间映射成一个连续的向量空间， 使用的词嵌入方式是 word2vec embeddings， 在这个过程中我们得到了文档的表示方式： 可变长度的句子， 其中句子是由可变长度的单词向量组成（每个单词的特征是固定的）

2.5分类

我们使用CNN进行分类， 其中他的输入是词向量，那么句子就表示成为一组词向量， 然后在网络的某个层把词嵌入到句子， 此时句子的词向量将变成一个固定的数字。在这一层文档变表示成为不定长度的句子向量，最后在一层把文档变成固定长度的文档向量， 然后把这个向量和前面提取的格式特征组合在一起， 此向量就是我们对一个文档的总特征表示， 我们将把这个总特征用于最后的分类。

3. 分类网络结构

分类网络包括5个步骤， 7个层次，每个性格方面都有一个结构相同的分类网络， 所以一共时5个分类网络，分别对5个性格方面进行分类

3.1 步骤

• 词向量化 （使用word2vec词嵌入）
• 句子向量化
• 文档向量化
• 对文档进行分类

3.2 层次

• input (word vectorization)
• convolution (sentence vectorization)
• max pooling (sentence vectorization),
• 1-max pooling (document vectorization),
• concatenation (documentvectorization),
• linear with Sigmoidactivation (classifcation)
• twoneuron softmax output (classifcation)

每个层的具体细节在论文里给出， 虽然比较简洁， 需要结合代码来查看。