Hierarchical Multi-label Classification of Text with Capsule Networks
仿照了这个博主的方法,读每一篇文献的时候都要问自己
一、四个问题
1、要解决什么问题?
2、用了什么方法解决?
将简单的浅胶囊网络应用于层次多标签文本分类;
3、效果如何?
4、还存在什么问题?
二、论文概述
2.1简介
-
胶囊网络在结构化数据上表现出了良好的性能;
-
我们将简单的浅胶囊网络应用于层次多标签文本分类;
-
性能优于其他神经网络,如cnn和LSTMs;优于非神经网络体系,如支持向量机;
-
引入Web Of Science(WOS)数据集,BlurbGenreCollection (BGC,包括所谓的书籍简介及其分级结构的写作体例),证实了胶囊网络对罕见事件和结构多样的类别特别有利(结合潜在编码的能力)。
分层多标签分类(HMC):
- 样本被划分为一个或多个标签,按照结构化的标签层次进行组织;
- 随着可用数据的增加,对更具体和专门化层次结构的需求也在增加。
- 传统的分类方法不能充分泛化,更复杂和鲁棒的分类方法受到关注;
- 复杂的神经网络分类器计算成本高、分析难度大、超参数数量多,使得局部分类器的实现变得困难;
- 全局方法——一个分类器能够一次捕获整个层次结构。
胶囊网络应用于HMC:
胶囊网络能够捕捉图像、自然语言的潜在空间结构。为了捕捉类别的底层结构,将胶囊网络的能力转移和应用到HMC。
每个胶囊与一个类别相关联,能够分别对每个类别的信息编码;
独立的组合每个胶囊(即类别)的编码特征,使胶囊网络能够比以前的方法更好的处理标签组合。(与HMC相关)
传统的分类器难以正确区分父标签和子标签,特别是在训练过程中从未观察到标签的特定组合时。提出:
- 提出新型开放可理解的面向英语语言的数据集: BlurbGenreCollection
- 深入分析了HMC的胶囊网络特性
2.2用于HMC的神经网络
-
样本被分配一个或多个分类标签,这些标签组织在一个结构化的标签层次结构中
-
对于文本分类(TC),我们将文档视为样本,其类别视为标签。
-
CNN和RNN在TC任务中效率很高,最显著的是长短期记忆单元
-
对于每个HMC,使用串联多层感知机(MLP),每个MLP关联到类层次结构的一个级别
.......
三、Capsule Network for HMC
- 对于层次结构中的每个类别,关联的胶囊以向量的形式输出该类别的潜在信息;
- 输出的向量是等变的,长度定义了其激活伪概率,方向表示了一个范畴存在的不同情况;(向量的表示方法使得胶囊比传统感知器提供的信息以指数形式更多)
- 胶囊网络第一层为主胶囊,可以是任意维度的,通常来自一个卷积层或一个循环网络的隐藏状态。输出向量表示潜在信息,如单词的局部顺序和语义表示。
- 第二层为分类胶囊,以加权和作为输入。