深度学习在NLP中的应用——TextCNN

本是古典何须时尚 2021-12-20 19:57 389阅读 0赞

# 1. 概述 #

卷积神经网络（Convolutional Neural Networks，CNN）的提出使得深度学习在计算机视觉领域得到了飞速的发展，大量基于CNN的算法模型被提出，同时深度学习算法在多个视觉领域实现了突破。最初在文本领域，主要使用的深度学习模型是RNN，LSTM等，既然CNN在图像领域得到广泛的应用，能否将CNN算法应用于文本分类中呢？Kim在2014的文章《Convolutional Neural Networks for Sentence Classification》成功将CNN模型应用在文本分类中。

# 2. 算法原理 #

## 2.1. 卷积神经网络 ##

卷积神经网络中最重要的两个操作是卷积和池化，由卷积+池化构成CNN的基本操作，通过堆叠卷积+池化的过程实现图像深层语义特征的抽取。卷积神经网络的基本结构如下图所示：

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvb2dsZTE5ODkwMTAy_size_16_color_FFFFFF_t_70_pic_center]  
在图中的CNN网络由两组基本操作（卷积Convolutions和池化Subsampling）和全连接层构成。卷积操作是CNN 中最为重要的部分，与全连接层不同，卷积层中每一个节点的输入只是上一层神经网络中的一小块，如下图所示：

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvb2dsZTE5ODkwMTAy_size_16_color_FFFFFF_t_70_pic_center 1]  
通过卷积核（如图中的卷积核大小为 3 × 3 3\\times 3 3×3）对二维的图像（图像大小为 6 × 6 6\\times 6 6×6）进行卷积操作，得到的大小为 4 × 4 4\\times 4 4×4。池化操作可以有效地缩小特征图的大小，池化又可以分为最大池化（max-pooling）和平均池化（average-pooling），以最大池化为例，池化层的操作如下：

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvb2dsZTE5ODkwMTAy_size_16_color_FFFFFF_t_70_pic_center 2]

## 2.2. TextCNN的算法原理 ##

为了能够将CNN应用在文本建模上，需要对图像和文本的特征做比较。有了如上对卷积神经网络的基本了解，对于图像特征，可以看成是二维的，又长和宽构成（通常还有深度，此处以二维的为例），对应的卷积核也是二维的。然而对于文本的特征，通常是一维的，只存在时间维度。对于将CNN应用在文本建模上如下图所示：

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvb2dsZTE5ODkwMTAy_size_16_color_FFFFFF_t_70_pic_center 3]  
其中， x x x表示的每个词的词向量维度。TextCNN的网络结构如下图所示：

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvb2dsZTE5ODkwMTAy_size_16_color_FFFFFF_t_70_pic_center 4]

如上如所示，TextCNN的模型结构中主要包含如下的几个部分：

*  Embedding层：将词映射成对应的向量。以上图为例，7个词被影射到对应的 k k k维向量中，构成 7 × k 7\\times k 7×k的矩阵；
 *  Convolutional层：对词映射后的特征做一维卷积操作；
 *  Pooling层：对卷积后的结果做pooling操作，如图中采用的是max-pooling；
 *  全连接层：最后接一层全连接的 softmax 层，输出每个类别的概率。

对于TextCNN的详细的计算过程，如下图所示：

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvb2dsZTE5ODkwMTAy_size_16_color_FFFFFF_t_70_pic_center 5]  
如上图所示，假设输入的文本为“I like this movie very much!”，假设每一个词的维度为 d = 5 d=5 d=5，则输入的特征大小为 7 × 5 7\\times 5 7×5，如图中设计 6 6 6个卷积核，从上到下大小分别为： 4 × 5 4\\times 5 4×5， 4 × 5 4\\times 5 4×5， 3 × 5 3\\times 5 3×5， 3 × 5 3\\times 5 3×5， 2 × 5 2\\times 5 2×5和 2 × 5 2\\times 5 2×5，计算得到 6 6 6个特征图，从上到下的大小分别为： 4 × 1 4\\times 1 4×1， 4 × 1 4\\times 1 4×1， 5 × 1 5\\times 1 5×1， 5 × 1 5\\times 1 5×1， 6 × 1 6\\times 1 6×1， 6 × 1 6\\times 1 6×1，采用最大池化，最终得到 6 × 1 6\\times 1 6×1的语义特征，最终通过全连接网络得到最终分类目标。

## 2.3. 词向量的计算方法 ##

词向量的计算方法主要有两种方式：

*  动态：通过随机初始化词向量，并在模型的训练过程中同步学习词向量的表示，适用于数据量比较大的情况；
 *  静态：利用word2vec等词向量训练方法，通过预先训练得到固定的词向量，在使用的时候通过查表的方式取得，不参与模型的训练。

# 参考文献 #

*  Y. Kim, “Convolutional neural networks for sentence classification,” in Proceedings of EMNLP 2014
 *  [Modern Deep Learning Techniques Applied to Natural Language Processing][]
 *  [cs231n.github.io/convolutional-networks][cs231n.github.io_convolutional-networks]

> 更多优质内容可以访问：[www.felixzhao.cn][]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvb2dsZTE5ODkwMTAy_size_16_color_FFFFFF_t_70_pic_center]: /images/20211220/b0f007c081e54b6f8b536ed58e8bf3c5.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvb2dsZTE5ODkwMTAy_size_16_color_FFFFFF_t_70_pic_center 1]: /images/20211220/c32b79cdcccb4da89edcddd87c35e183.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvb2dsZTE5ODkwMTAy_size_16_color_FFFFFF_t_70_pic_center 2]: /images/20211220/55184ec135e04a4c89221d15fc0257ae.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvb2dsZTE5ODkwMTAy_size_16_color_FFFFFF_t_70_pic_center 3]: /images/20211220/fa5f4a57241145e2bfab2697af09687f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvb2dsZTE5ODkwMTAy_size_16_color_FFFFFF_t_70_pic_center 4]: /images/20211220/90d9db6cfa294a518ba08b960e814b43.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvb2dsZTE5ODkwMTAy_size_16_color_FFFFFF_t_70_pic_center 5]: /images/20211220/99ceb38c9e964e2198e73d21ad7d3827.png
[Modern Deep Learning Techniques Applied to Natural Language Processing]: https://nlpoverview.com/
[cs231n.github.io_convolutional-networks]: http://cs231n.github.io/convolutional-networks/
[www.felixzhao.cn]: http://www.felixzhao.cn