NLP10-SGM-论文学习笔记

论文题目：SGM: Sequence Generation Model for Multi-Label Classification

发表期刊：2018-Coling Bestpaper 

 

多标签分类：The target of the MLC task is to assign multiple labels to each instance in the dataset

1、相关工作

将多标签分类问题看做是一个链式的二分类问题

 也采用了序列生成的方式，但没有采用注意力机制，获得的提升有限，原因值得思考

 论文背景

2、模型结构总览

• Encoder采用双向LSTM，Decoder采用LSTM，结合了注意力机制，采用序列生成的方式预测多个标签
• 标签处理：根据出现频率对标签进行排序，高频的标签放在前面【出现次数多的为大类的概率更大】
• mask softmax：预测过的标签不再重复预测
• global embedding：将所有标签信息的embedding融合得到全局的embedding
• Decoder【LSTM】接收上一时刻(t-1)decoder的隐藏状态S(t-1)、上下文向量 Ci 和 GE 作为输入，产生时刻t的隐藏状态，最后通过softmax层达到标签的预测。
• 文本序列Xi是一句话中的m个词通过词嵌入的方式获得的词向量

2.1、注意力机制

2.2、decoder

2.3、Global Emedding

• beam search 通过每次多选几个候选的方式可以在一定程度上缓解 exposure bias 的问题【预测出错一次后，后面的可能会连续出错，因为采用上一个预测来辅助判断下一次的预测】 ，但并没有彻底解决该问题

应用与思考

1. 可以直接应用在多标签文本分类当中
2. 可以结合BERT一起用于多标签文本分类
3. 将任务和优秀模型结合的更密切是很好的idea

3、实验结果与分析

3.1、RCV1-V2数据集

实验设置：

• 词表大小：50000
• 文本长度：500
• beam search size：5
• word embedding size：512
• 编码器隐藏神经元个数：256；解码器隐藏神经元个数：512；层数均为2

 

3.2、AAPD数据集

• word embedding size：256
• 编码器：2层LSTM，神经元个数256
• 解码器：1层LSTM，神经元个数512
• 词表大小：30000
• 文本长度：500
• beam search size：9

3.3、训练设置

• 优化方法：Adam；初始学习率：0.001，β1=0.9，β2=0.999
• 损失函数：交叉熵
• 梯度裁剪最大值：10

 

本文为深度之眼paper论文班的学习笔记，仅供自己学习使用，如有问题欢迎讨论！关于课程可以扫描下图二维码