Bert实现多标签文本分类

多标签文本分类

Bert简介

两个任务

Bert是按照两个任务进行预训练的，分别是遮蔽语言任务(Masked Language Model)和句子预测任务(NextSentence Prediction)。

遮蔽语言任务（Masked Language Model）

对输入的语句中的字词 随机用 [MASK] 标签覆盖，然后模型对mask位置的单词进行预测。这个过程类似CBOW训练的过程，我们利用这个训练任务从而得到每个字符对应的embedding。特别的，[CLS]字符的embedding我们可以视为整个句子的embedding。我们可以理解为[CLS]字符跟句子中的其它字符都没有关系，能较为公平的考虑整个句子。

句子预测任务（NextSentence Prediction）

该任务就是给定一篇文章中的两句话，判断第二句话在文本中是否紧跟在第一句话之后。如果我们训练的时候将问题和答案作为上下句作为模型输入，该任务也可以理解为判断问题和答案是否匹配

Bert相当于N个transormer encoder，原作者给出的bert模型中有12层和24层两种。下面使用的是12层的bert

输入

假设我们输入了一句话是“我爱你，你爱我”，我们需要利用tokernizer做初步的embedding处理

sen_code = tokenizer.encode_plus("我爱你，你爱我")

得到的sen_code是这样的

{‘input_ids’: [101, 2769, 4263, 872, 102, 872, 4263, 2769, 102]，

‘token_type_ids’: [0, 0, 0, 0, 0, 1, 1, 1, 1]，

‘attention_mask’: [1, 1, 1, 1, 1, 1, 1, 1, 1]}

input_ids就是每个字符在字符表中的编号，101表示[CLS]开始符号，[102]表示[SEP]句子结尾分割符号。

token_type_ids是区分上下句的编码，上句全0，下句全1，用在Bert的句子预测任务上

attention_mask表示指定哪些词作为query进行attention操作，全为1表示self-attention，即每个词都作为query计算跟其它词的相关度

将input_ids转化回token

tokenizer.convert_ids_to_tokens(sen_code['input_ids'])
#output：['[CLS]', '我', '爱', '你', '[SEP]', '你', '爱', '我', '[SEP]']

Bert模型的输入是三个embedding的求和，token embedding，segment embedding和position embedding

# token embedding
tokens_tensor = torch.tensor([sen_code['input_ids']]) # 添加batch维度
# segment embedding
segments_tensors = torch.tensor([sen_code['token_type_ids']]) # 添加batch维度

position_embedding由bert生成，我们不用考虑。

输出

现在我们根据代码看看bert的输出

bert_model.eval()
with torch.no_grad():
    outputs = bert_model(tokens_tensor, token_type_ids = segments_tensors)
    encoded_layers = outputs   # outputs类型为tuple

最后一个隐藏层的输出，即遮蔽语言任务的输出，亦即每个字符的embedding

print("sequence output",encoded_layers[0].shape)
# sequence output torch.Size([1, 9, 768])

考虑全部隐藏层的第一个输出，然后进行pool操作的结果，所谓的pool操作就是接一个全连接层+tanh激活函数层。它可以作为整个句子的语义表示，但也有将所有单词的平均作为句子的表示的做法

print("pooled output",encoded_layers[1].shape)
# pooled output torch.Size([1, 768])

所有隐藏层的输出，hidden_states有13个元素，第一个是[CLS]的embedding，后面12个元素表示12个隐藏层的输出，对于seq2seq的任务，它们将作为decoder的输入

print("hidden_states",len(encoded_layers[2]),encoded_layers[2][0].shape)
# hidden_states 13 torch.Size([1, 9, 768])

attention分布，有12个元素，每个隐藏层的hidden_states经过self-attention层得到的attention分布，没有乘以V矩阵。因为是multi-head，一共有12个头，所以每个attention分布的维度是1x12x9x9(1是batch_size,9是序列长度)

print("attentions",len(encoded_layers[3]),encoded_layers[3][0].shape)
# attentions 12 torch.Size([1, 12, 9, 9])

在本项目里面hidden_states和attention都不需要

我们的分类方案是在Bert添加一个全连接层作为分类器，以sigmoid作为激活函数，把每个神经元都当成是二元分类。

语料处理

文本预处理

本项目语料采用kaggle上的toxic comments数据集，在输入模型之前需要对该数据集做一些预处理

单个缩写展开

对于一些常用的缩写，例如you’re,it’s等等，我们将它分开

例如：

replacement = {
    "aren't": "are not",
    "can't": "cannot",
    "couldn't": "could not",
    "didn't": "did not",
	......
}

常用简写替换

sentence_repl = sentence.replace(r" you re ", " you are ")
sentence_repl = sentence_repl.replace(r" we re ", " we are ")
sentence_repl = sentence_repl.replace(r" they re ", " they are ")
sentence_repl = sentence_repl.replace(r"@", "at")
sentence_repl = sentence_repl.replace(r"&", "and")

去除无用样本

这里所谓的无用样本指的是长度太短的样本，它很难产生有效信息。我们设定的最小长度为2。所有长度小于2的样本不参与训练

去除无用符号

本项目中的无用符号包括网址（http）、时间（例如UTC+09:00，dec 11, 2019）、IP地址、@后面的邮箱地址、换行符\r\n)等等

替换中文相关词汇

虽然在训练和测试数据集中没有看到有中文的句子，但是仍然考虑到应用场景下有出现中文侮辱词汇的可能性

所以也考虑了跟toxic comment相关性强的几句中文的替换

因为这几句中文无法过审，所以在这儿就不写了

文本编码

训练时，调用BERT预训练模型，输入包括三个部分。input_ids，token_type_ids，以及attention_mask

input_ids就是每个字符在字符表中的编号，101表示[CLS]开始符号，[102]表示[SEP]句子结尾分割符号。

token_type_ids是区分上下句的编码，上句全0，下句全1，用在Bert的句子预测任务上

attention_mask表示指定哪些词作为query进行attention操作，全为1表示self-attention，即每个词都作为query计算跟其它词的相关度

因此，在经过前面的预处理后，还要将文本转换成编码才能输入给bert模型。

在训练的时候，所有的样本都需要保持相同的长度以进行批量平行运算。超过最大长度的截掉，长度不够的用[PAD]符号填充，[PAD]的编码是数字0。segment_ids和attention_mask的长度都会跟随文本变化

def get_input_ids(self, x):
    input_ids = self.tokenizer.encode(x)
    if len(input_ids) > self.max_seq_length:
        input_ids = [input_ids[0]] + input_ids[1:self.max_seq_length - 1] + [input_ids[-1]]
    else:
        input_ids = input_ids + [0] * (self.max_seq_length - len(input_ids))
    return input_ids

另外，对于多标签文本分类任务来说，segment_ids和attention_mask没有意义，所以前者为全0，后者为全1即可

input_ids = torch.tensor(list(data['input_ids'].values), dtype=torch.int)
input_mask = torch.ones(size=(len(data), self.max_seq_length), dtype=torch.int)

模型构建

网络结构图

我们在构建Bert的迁移训练模型的时候，最好继承BertPreTrainedModel，这样就可以很方便的使用from_pretrained和save_pretrained加载和保存模型。

我们构建的模型以BERT作为特征提取器，输出的pooled output作为分类器的特征输入。同时我们采用了dropout层以防止过拟合。

按照前面所介绍的方案，因为本项目中一共有六个标签，[“toxic”, “severe_toxic”, “obscene”, “threat”, “insult”, “identity_hate”]。所以最终全连接层的输出是6，输入是pooled output的特征维度，即hidden_size：786

Pytorch实现

class BertForMultiLabel(BertPreTrainedModel):
    def __init__(self, config):
        super(BertForMultiLabel, self).__init__(config)
        self.bert = BertModel(config)
        self.dropout = nn.Dropout(config.hidden_dropout_prob)
        self.classifier = nn.Linear(config.hidden_size, config.num_labels)
        self.sigmoid = nn.Sigmoid()

    def forward(self, input_ids, token_type_ids=None, attention_mask=None, head_mask=None):
        outputs = self.bert(input_ids, token_type_ids, attention_mask, head_mask)
        pooled_output = outputs[1]
        pooled_output = self.dropout(pooled_output)
        logits = self.classifier(pooled_output)
        return self.sigmoid(logits)

模型训练

训练方案一，冻结BERT的全部层参数，只训练分类器

损失函数

因为定义模型结构的时候已经把sigmoid定义到了模型结构中，因此损失函数不必考虑sigmoid，并且我们训练的的n个二元分类器，所以损失函数采用的是二元的交叉熵损失函数，在pytorch的nn模块里定义是BCELoss()

loss = nn.BCELoss()

优化器

Bert原模型训练时采用的优化器是AdamW，AdamW是在Adam+L2正则化的基础上进行改进的算法。
使用Adam优化带L2正则的损失并不有效。如果引入L2正则项，在计算梯度的时候会加上对正则项求梯度的结果。因此在Adam上，权重衰减和L2正则并不等同，故而AdamW就是一种Adam与权重衰减结合的产物。

因为我们只训练分类器，所以在这采用Adam优化器

利用pytorch定义优化器如下，学习率设为0.01

optimizer = optim.Adam(model.parameters(),lr=lr,eps=adam_epsilon)

训练过程

训练集

验证集

训练方案二，解冻BERT的全部层参数，作fine-tuning

损失函数

损失函数仍然采用二元交叉熵损失函数

优化器

使用跟Bert预训练一致的AdamW优化器，初始学习率lr定义为2e-5

optimizer = optim.AdamW(optimizer_grouped_parameters, lr=lr, eps=adam_epsilon)

训练技巧（tricks）

在一些稍完整的项目中，在模型训练时会做更多的考虑。比如如何节省显存（混合精度训练），如何防止梯度爆炸（梯度裁剪），如何增大batch_size却不增加显存占用（梯度累积）等等

在本项目中采用了梯度裁剪、学习率预热、权重衰减

梯度裁剪

grad_clip为梯度阈值，设为1，超过1的梯度会强制设为1。weight_decay 设为 0.01

在每次反向传播计算梯度后，都要执行下方的语句裁剪梯度

clip_grad_norm_(model.parameters(), grad_clip)

权重衰减

权重衰减是很常见的防止过拟合的训练策略，通过惩罚参数让模型更稳定平滑。在模型中，除bias和layernorm之外的参数均设定了weight-decay，为0.01

对参数做权重衰减是为了使函数平滑，然而bias和layernorm的权重参数不影响函数的平滑性。他们起到的作用仅仅是缩放平移，因此不需要权重衰减

param_optimizer = list(model.named_parameters())
no_decay = ['bias', 'LayerNorm.weight']
optimizer_grouped_parameters = [
    {'params': [p for n, p in param_optimizer if not any(nd in n for nd in no_decay)],
     'weight_decay': weight_decay},
    {'params': [p for n, p in param_optimizer if any(nd in n for nd in no_decay)], 'weight_decay': 0.0}
]

学习率预热

由于刚开始训练时,模型的权重是随机初始化的，此时若选择一个较大的学习率,可能带来模型的不稳定(振荡)，选择Warmup预热学习率的方式，可以使得开始训练的几个epoches或者一些steps内学习率较小,在预热的小学习率下，模型可以慢慢趋于稳定,等模型相对稳定后再选择预先设置的学习率进行训练,使得模型收敛速度变得更快，模型效果更佳。

项目中设定的warmup_proportion为0.1，按step进行预热

warmup_proportion = 0.1
warmup_steps = int(t_total * warmup_proportion)
optimizer = optim.AdamW(optimizer_grouped_parameters, lr=lr, eps=adam_epsilon)
scheduler = get_linear_schedule_with_warmup(optimizer, num_warmup_steps=warmup_steps, num_training_steps=t_total)

训练过程

训练集

验证集

模型对比评估

分类指标

对多标签文本分类，我们常用的标准有准确率，精确率（查准率），查全率，hamming loss，AUC score

准确率

$$accuracy=\frac{TP+TN}{TP+TN+FP+FN}$$

查准率

在预测为正的样本中实际为正所占的比例
$$precision=\frac{TP}{TP+FP}$$

查全率

在实际为正的样本中预测为正所占的比例
$$recall=\frac{TP}{TP+FN}$$

F1-score

precision和recall的综合考虑
$$F1\_score=\frac{2\ast precision\ast recall}{presion+recall}$$

Hamming Loss

hamming loss衡量的是预测与实际的偏离程度。例如，假设我们实际的样本的多标签分类为1，0，1，而预测的样本分类为1，1，0。那么hamming loss = 2/3，当有多个样本的时候，所有样本的hamming loss取平均即可

AUC Score

在了解AUC之前必须先了解什么ROC曲线

混淆矩阵

	预测为正	预测为负
实际为正	TP	FN
实际为负	FP	TN

ROC的横轴为在所有实际不是某类的样本中，被错误的预测为该类的比例FPR，即
$$FPR=\frac{FP}{FP+TN}$$
纵轴为在所有实际为某一分类的样本中，被正确地预测为该分类之比率TPR，即
$$TPR=\frac{TP}{TP+FN}$$
由于预测的分类不仅仅取决于输入，还需要我们设定一个阈值，例如设置阈值为0.5，输出小于0.5个我们认为不是该分类，大于0.5是该分类。或者设置阈值为1，那么所有的样本都会被预测为不是该分类。

于是随着阈值设置的变化，FPR，TPR也跟着变化，从而形成了ROC曲线。根据TPR和FPR的定义，我们显然希望TPR越大越好，希望FPR越小越好。即ROC曲线越靠近左上角越好。这个靠近的程度我们用ROC曲线下的面积即AUC来衡量，AUC越大表示模型越好。

训练时长

跟预想的基本一致，第一个方案，冻结了大部分层，参数少，从而计算量小，节省显存，可以设置更大的batch。同时，因为只训练最后一层参数以及分类器参数，因此可以采用更大的学习率，从而收敛更快。

第一个方案的每轮训练时间是12分钟左右，验证时间3分钟左右，4轮训练总时长约60分钟

第二个方案的每轮训练时间是36分钟左右，验证时间3分钟左右，4轮训练总时长约160分钟

模型得分

准确率

方案一模型准确率为96%，方案二模型准确率为99%

AUC score

方案一模型得分0.76057，方案二模型得分0.97910，如下为kaggle得分截图