NLP文本分类 落地实战五大利器！

每天给你送来NLP技术干货！

---

作者 | 周俊贤  

整理 | NewBeeNLP

文本分类是NLP领域的最常见工业应用之一，也是本人在过去的一年中接触到最多的NLP应用，本文「从工业的角度浅谈实际落地中文本分类的种种常见问题和优化方案」。

由于，项目中的数据涉密，所以拿公开的两个数据集进行实验讲解：今日头条的短文本分类和科大讯飞的长文本分类，数据集的下载见github的链接。

• https://github.com/zhoujx4/NLP-Series-text-cls

今日头条的短文本数据示例如下，通过新闻的标题对新闻进行分类：

可以看到短文本分类的大部分数据都是很短的，经过EDA，发现99%以上的数据在40个字符以下。

科大讯飞的长文本数据示例如下，通过APP的简介对APP进行类别分类:

经过EDA探索，发现大部分数据长度在512以上，超过了Bert等模型的最大输入长度。

再看看数据集的label个数、训练集、验证集和测试集的数量分布：

	短文本分类	长文本分类
标签个数	15个	119个
训练集数	229605条	10313条
验证集数	76534条	2211条
测试集数	76536条	2211条

可以看到短文本是属于样本充足的情况，20多W条训练数据只需分成15个类，长文本分类属于样本不算充足的情况，1W条训练数据要分成119个类，其中数据集还有标签不平衡的问题。

首先搭建Baseline，Baseline用Roberta_base版本，把最后一层Transformer的输出进行mean和max后进行拼接，再连接全连接层，最后进行标签分类，由于Bert限制最大长度为512，对于长文本来说，可以通过「transfomrer-XL等改造模型」或者通过「截取字符」（从前面截取，或从中间截取，或从末尾截取）或「把文本进行分块」，分别输入模型中，再取概率平均，对于一般的任务，个人主要采用截取字符的方法，因为实现起来简单。

用Micro F1值作为评价标准，分数如下。

	短文本分类	长文本分类
baseline	0.8932	0.5579

可以看到长文本由于标签类别多，加上标签数据不太充分，难度比短文本难不少。

1、数据增强

1.1 EDA（Easy Data Augmentation）

图像任务中，有随机裁剪、翻转、改变饱和度等操作，同样地，文本也有不少的增强方法，如同义词替换，回译，近音字替换，随机插入，随机交换，随机删除等等，这里说一下个人平时用得做多，也认为效果最好的两个，「同义词替换」和「回译」

1.1.1 同义词替换：

做法可以是维护一个同义词表，如哈工大的发布的同义词词典。在每次训练的时候，样本有一定的概率对里面的词语进行替换。如"自动驾驶、医疗、能源……一季度融资最多的人工智能公司" -> "自动驾车、医术、能源……一季度融资最多的人工智能公司"。根据经验，「有条件的话最好用项目领域的同义词词典」，如做医疗的文本，就用医疗的同义词词典，做金融领域的就用金融的同义词词典，而不是用一个通用的字典。

还有种做法是用词向量进行替换，如上面的句子中，我们对"驾驶"一次进行同义词替换，发现在词向量表中，离"驾驶"余弦距离最近的一词是"行驶"，所以就把"驾驶"替换成"行驶"，当然这样做的话需要预先训练一个词向量表，还是那句话，最好用你目前手头任务领域的文本来训练词向量。

也可以用Bert等模型来进行替换，如把上面的句子随机MASK掉一些字，变成"自[MASK]驾驶、医疗、能源……一季[MASK]融资最多的人工智[MASK]公司"，再让Bert对MASK掉的字进行预测，这样又得到新的一个样本。

1.1.2 回译

做法很简单，把中文翻译成英文或法文或日本，再翻译回中文，如下面的句子，先翻译成英文，再翻译回中文，"自动驾驶、医疗、能源……一季度融资最多的人工智能公司" -> "第一季度融资最多的自动驾驶仪、医疗保健、能源人工智能公司"，有时回译能得到语法结构不同的句子，如被动句变成主动句，有效增强了样本的多样性。不过个人觉得，长文本并不适用于回译，想想一个500多字的长文本，经过回译后，上下文是否还通顺是个问题，当然也可以随机对长文本中的单句进行回译，而不是把整个长文本进行回译。

实际项目中取哪种数据增强方法，个人感觉是都要进行实验尝试，但无论进行何种尝试，把握一点就是「增强后的样本要和测试集的样本分布相似」，其实这也是无论做图像任务、检测任务还是机器学习的任务都通用的一点，假如你增强后的样本与真实要预测的样本出入很大，你还让模型去学，那怎么可能会带来正向的效果呢？对吧。

这里的实验，采用了同义词替换这个增强方法，用的同义词表就是上文提到的哈工大，用的是nlpcda库（貌似做中文文本增强的库不多，本人还没找到几个用得比较顺手的，当然也可以自己写数据增强这部分的代码，并不复杂），

	短文本	长文本
baseline	0.8932	0.5579
+数据增强(同义词替换)	0.8945	0.5742

可以看到经过数据增强后，分数都有所上涨，其实可以说几乎所有的任务，做数据增强都会带来正向的效果，但这个效果有多大的提升，就很依赖做数据增强的方法了，举个例子，一个样本"互联网时代有隐私可言吗？" ->"互联网时代有心事可言吗？"，这个样本的增强我认为效果有限，因为增强后已经不是一个语义明了的句子了，还是那句话，「增强后的样本要和实际预测的样本分布要相似」，这样才能得到比较好的正向效果。

1.2 对抗训练

实质上，对抗训练用于文本这几年基本成为算法比赛获奖方案的标配，如FGM、PGD、YOPO、FreeLB 等一些系列的思想。个人认为对抗训练属于数据增强的一部分，因为在深度学习进行文本分类中，无外乎将字或词映射成向量作为模型输入。

如输入为词的模型，"互联网时代有隐私可言吗？"分词后是[互联网，时代，有，隐私，可言，吗，？]，每个词在word embedding词表中找到对应的向量作为模型的输入，“隐私”替换成“秘密”，只是在输入的时候，把"隐私"这个词的向量用"秘密"的词向量作为替换，那自然有个思想，「既然增强的目的是使模型的输入发生改变，那为何不能直接从原本的字向量中加入噪声扰动呢」？

添加噪声扰动的思想想到了，也有个问题，噪声有很多种，是加入高斯噪声、还是均值噪声还是其它？其中对抗训练的思想就是「往损失函数上升的方向，在embedding层添加扰动」，对抗训练有很多可供学习的代码和博文[2][3]，这里就不再细说了。值得注意的是，添加对抗训练后，训练时间会近乎成倍增常，就拿FGM来说，每一次更新参数，都进行了两次后向传播。在大部分场景下，基本都会加上FGM，基本都能带来正向的效果，而且FGM相对其它对抗方法，所耗时间也较少。

	短文本	长文本
baseline	0.8932	0.5579
+FGM对抗训练	0.8970	0.5873

可以看到加上对抗训练后，效果都有一定的提升。

2、数据去噪

大家都说算法工程师80%在洗数据，20%时间在跑模型，实质上，以我的个人经验来说，这个说法也是有道理的，一个AI应用，一周的时间要解决的话，在准备数据层面可能会花3~4天。特别是做久了之后，很多模型的组件，方法论都已成型，想比较不同方法的效果，从以往积累的项目库里把相关代码抽出来，就可以跑来做实验了，时间成本很低。而且做项目，最后常常会发现，制约模型效果再上一步的，往往是最数据质量，所以洗数据尤为关键，想想假如你在一个准确率只有80%的训练集上训练模型，你觉得你训练出来的模型最后在测试集的准确率能超过80%吗？

通常，接到一个AI需求，假如要训练机器学习或深度学习的模型，标注数据是必不可少的，来源可以是已有的人工标注，没有的话，只能自己或者找实习生标注进行打标，假如需要的标注样本多的话，还可以请众包公司进行标注。就拿文本分类来说，人工标注准确率有95%就已经很好了。

怎么清洗标注错误的数据呢？这个问题其实本人还没有很深的积累，常常优先使用的方法是「根据业务规则洗」，就拿前段时间做的一个工单分类的项目来说（以往是人工分类，客户想用AI的方法进行自动分类），以往确实积累了几万条人工分类过的样本，但以往的工作人员很多是凭经验进行随机分类的，所以在看数据的时候，看的我皱眉头，很多都是分类错误的，这时候，只能和客户不断沟通，拿更多的资料，思考从客户角度，他们判断类别的逻辑，从而把错误的样本修正过来，这个过程很耗时，但也很重要，我想这也是实际做项目和打比赛的一个很大的不同。

除此之外，还有没有更智能的清洗数据方法？有不少前沿的论文对这些方法进行过讨论，如通过置信度清洗数据等等，但实际上，很多方法都仅仅能针对非常有限的场景，效果有限。

本人常常用的比较笨的方法是「交叉验证清洗」，如"湖人拿到2020年NBA的总冠军"这样本，在训练集上把它标注为"娱乐"新闻，很明显是错误的，像这种错误，用交叉验证的方法洗是最容易的，举个例子，我们可以对训练集训练一个5折的模型，然后对训练集进行预测，假如这个样本在5折模型中都预测为"体育"，则把该样本的label从"娱乐"修正为"体育"，用交叉验证的方法能批量洗掉一些很明显错误的样本，但是这个阈值（出现5次还是4次以上就把该样本修正）需要多做实验。

3、类别不平衡

针对类别不平均的问题，有过采样、欠采样、改造损失函数等方法入手。实际项目落地时，还需要考虑客户的需求，例如某个标签的样本很少，导致这个样本的召回率、精确率都比较低，但可能客户不太关心这个标签的精确性，这时候也没必要花太多时间纠结如何改善。

个人经验来说，我会比较倾向使用改造函数函数来调接样本不平衡的问题，因为无论是过采样或者欠采样，都会导致样本噪声这个问题，而改造损失函数，如调整不同样本的权重，采用Focal Loss等等函数都能有限减少不平衡的问题。

关于类别不平衡的问题，有更深入的思考再补充。

4、半监督学习

思考上文提到的文本数据增强的方法，无论一个样本经过同义词替换，还是回译，还是随机交换词语的位置生成多个样本，其实人还是能判断出这几个样本来源同一个句子，从这个角度出发，数据增强带来的效果有限，想想假如训练集只有100条样本，无论你怎么做增强，本质上，样本的来源其实就是那100条，这样模型训练出来的效果也有限。这时候，就体现出半监督学习的重要性，如何把海量的无标注数据纳入进模型训练。

前段时间，本人接到一个机器阅读理解的项目，客户提供了3W条无标注数据，花了一天辛辛苦苦标注了1000条，但由于时间关系，客户说2天必须出结果，还剩下一天要马上进行模型训练，这时候就把剩下的2.9W条无标注数据抛弃掉吗？实质上，就要考虑半监督的方法了。

这里用到的方法是谷歌在2019年的一篇论文：《Unsupervised Data Augmentation for Consistency Training》。

思想很简单，对于标注好的样本一样用交叉熵作为损失函数，对于没标注的样本，则用Consistency Loss。

4.1、Consistency Loss（一致性损失）

拿一个例子来说明UDA中的一致性损失，如现在只有【体育，娱乐，金融，政治】四个分类，某个样本"詹姆斯超乔丹论调遭麦蒂吐槽：为什么人们总会忘记科比？"，在模型训练过程中，模型判断出的该样本属于四个类别的概率分别为【0.5, 0.15, 0.15, 0.2】，这时候对该样本进行数据增强（这也是论文标题出现Data Augmentation的原因，原论文用了同义词替换和回译两种方法），样本变成"詹姆斯强于乔丹论调遭麦蒂埋怨：为什么人们总会遗忘科比？"。一致性的意思就是认为，「增强后的样本跟原来的样本语义相同，这时候模型的输出概率就应该保持一致」，所以增强后的样本的概率分布应该要去拟合【0.5, 0.15, 0.15, 0.2】这一概率分布。在论文中，「用原样本的输出概率分布和增强样本的输出概率分布的KL散度损失与有标签样本的交叉熵损失进行联合训练」。

在UDA方法中，还有许多训练的细节，如Sharpening Predictions、TSA（TRAINING SIGNAL ANNEALING）等等，下面简单介绍一下这些细节。

4.2、Sharpening Predictions

半监督学习的大部分论文中，除了Consistency思想，其实还是一种思路是最小化熵，还是拿一个样本进行举例，如"用摄影记录当红女星杨幂成长之路"这一无标签样本，还是【体育，娱乐，金融，政治】四分类，把样本输入模型，模型其实不是直接输出概率，而是不同的数值，如【0.50, 1.05, -0.56, 0.01】，把这些数据经过Sofrmax才得到概率分布【0.27, 0.47, 0.09, 0.17】，这时候同上面的思想一样，我们把样本进行数据增强后输入模型，让输出的概率去拟合【0.27, 0.47, 0.09, 0.17】这一概率分布。

但在这里我们有个不同的处理，在原样本的Softmax过程中，我们引入Sharpening Predictions，「Softmax( l(X) / τ )」 计算，其中l(X)表示结果逻辑分布概率，即上面的【0.50, 1.05, -0.56, 0.01】，τ 表示温度。τ 越小，分布越Sharper。如τ =0.6，【0.50, 1.05, -0.56, 0.01】每个元素都除以τ，变为【0.83, 1.75, -0.93, 0.02】，再经过Softmax，得到分类概率为【0.24, 0.61, 0.04, 0.11】，可以看到τ 取小于1的数，Softmax输出的概率分布会「更"Sharpening"，即为更陡峭，熵也越低」（思考一下，概率分布陡峭了，不确定自然也少了，熵也自然少了）。

为啥要引入Sharpening Predictions？「我认为是为了让模型输出能更明确，或者说就是让熵尽可能小」，让模型更 倾向输出【0.97, 0.01, 0.01, 0.01】这种明确性更高的、低熵的概率分布，而不是【0.7, 0.1, 0.1, 0.1】这种相对来说不是很明确的概率分布，增加模型的鲁棒性。

4.3、TSA（TRAINING SIGNAL ANNEALING）

思考一个问题，假如你现在只有50个标注样本和20K个无标注样本，假如不经过任何处理，直接进行联合训练，很可能的情况是，模型会对50个标注样本过拟合，因为标注样本数量实在太少了，所以这里引入TSA。

举个例子，我们取TSA=0.5，对于某个标注样本"去年A股上市公司高管薪酬比拼：金融和房地产业最高"，还是【体育，娱乐，金融，政治】四分类，其真实标签为"金融"，模型输出的概率分布为【0.1, 0.1, 0.7, 0.1】，由于其真实标签的概率为0.7>0.5，所以我们不把该样本的损失考虑进行，只有其真实标签的概率小于TSA的样本的损失我们才用来进行反向传播，通过这一方法，「减缓模型对于少量标签样本过拟合的步伐」。TSA系数是随着训练过程不断增加的。

具体的，假如分类问题很简单，标注样本相对无标注样本很少的情况下，就用指数增长，在前期，TSA系数增常很慢，维持在一个很低的值，尽可能不把容易学习的标注样本的损失考虑进去，避免模型对标注样本过拟合。

4.4、Confidence Mask

首先设定Confidence Mask系数，如把Confidence Mask Coefficient=0.5，把无标注样本输入模型，得到概率分布为【0.3, 0.25, 0.4, 0.05】，由于最大的类别概率也少于0.5，所以就不把该无标注样本的 Consistency Loss 纳入到反向传播中。

UDA的详细效果请看下表，

	短文本
50条标注数据	0.6443
50条标注数据+30W条无标注数据（无标注取自训练集+验证集+测试集）	0.7410
100条标注数据	0.7342
100条标注数据+30W条无标注数据（无标注取自验证集+测试集）	0.7877
20W条标注数据	0.8933
20W条标注数据+10W条无标注数据（无标注取自验证集+测试集）	0.8920

可以看到引入半监督学习，在缺少标注数据的情况下，提升巨大，但随着标注数据的不断增加，半监督带来的正向效果也在不断减少，在原论文中讨论过，「当标注数据充分的情况下，无监督仍能带来少量的提升」。

但在本实验中，看最后两行，可以发现标注数据充分的情况下，引入半监督是没有提升的，我估计是这里的数据增强做得太简单了，这里的数据增强只是对句子中的词进行同义词替换， 而原论文用了一种考虑更细致的方法，思想是用TF-IDF进行统计，「样本中对分类成功贡献很大的词，不进行替换」，更详细的思想可以看原论文和论文源代码。

5、模型轻量化

模型轻量化也是更实际落地常常碰到的问题，一般的AI项目，可能存在资源不充足的情况，如客户提供的服务器不包括GPU，这时候就要在自己公司的服务器上把模型先训练好，再迁移到客户的服务器，用CPU部署，这时要考虑推断速度是否满足项目需求，也有可能是服务器可能不止部署你一个模型，还要部署其它系统应用，这时候给你留下的内存就不足了。当然最好是项目前期，就像客户说明需求的配置，让客户尽量满足，但实际上，随着项目的进展，很可能发生各种意外情况。

在实际部署中，本人比较倾向用docker这种微服务进行部署，通常一个bert模型加上docker需要的基础环境，用CPU进行部署，把容器起起来后，占用的内存会到2G左右，推断速度大概在1~2秒/一个样本。

模型轻量化也有几种思路，如「模型剪枝」（把贡献不高的神经元去掉）、换「轻量化模型」（如用3层Bert代替原生的12层Bert、或者换Fasttext等轻量化模型）、「模型蒸馏」（TinyBert等蒸馏模型）。

想想在某个应用种，Bert模型能得到89%的准确率，FastText能得到85%的准确率，最终上线的时候你会考虑用哪个模型？不是说Bert不好，但毕竟它在某些资源有限的情形下，还是显得太"重"了，但Bert可以作为一个性能标杆，用轻量化的模型不断去逼近Bert的效果。

以上就是实际落地中，文本分类常遇到的问题和相应的解决方法。本文会不断完善。

参考

1. nlpcda库 https://pypi.org/project/nlpcda/

2. 【炼丹技巧】功守道：NLP中的对抗训练 + PyTorch实现 https://zhuanlan.zhihu.com/p/91269728

3. 一文搞懂NLP中的对抗训练FGSM/FGM/PGD/FreeAT/YOPO/FreeLB/SMART https://zhuanlan.zhihu.com/p/103593948

4. 《Unsupervised Data Augmentation for Consistency Training》 http://cn.arxiv.org/pdf/1904.12848v5

---

投稿或交流学习，备注：昵称-学校（公司）-方向，进入DL&NLP交流群。

方向有很多：机器学习、深度学习，python，情感分析、意见挖掘、句法分析、机器翻译、人机对话、知识图谱、语音识别等。

记得备注呦

整理不易，还望给个在看！