利用递归卷积神经网络进行文本分类

1、循环卷积神经网络用于文本分类12021/8/6问题:文本分类 特征表示: 词袋方法（一元、两元、N元） 其它方法： frequecy , MI , pLSA , LDA 缺点：忽略了词语所在的语境和词语的顺序，不能有效获取词语的语义 EX：A sunset stroll along the South Bank affords an array of stunning vantage points. （Bank 在这里是河岸，而不是银行）22021/8/6已有解决方法1. 增加词袋元素维度：比如扩展到 “stroll along the South Bank”(5-gram)2. 更复杂的特征

2、表示方法：比如Tree Kernels 方法3. 存在问题：数据稀少（data sparsity)，即有效的信息量太少，影响分类的准确度。32021/8/6单词表示词向量1.词向量（词向量（word embedding)： 传统的词向量： One-hot Representation “话筒” 表示为 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 .“ 麦克”表示为 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 . 缺点：“词汇鸿沟”；纬度高；数据稀疏 改进的词向量： Distributed Representation即一种单词的分布式表示方法，能有效降低

3、数据稀疏问题，经过训练的词向量可以表征句法和语义信息。Distributed Representation表示形式表示形式：0.792, 0.177, 0.107, 0.109, 0.542, .。维度以 50 维和 100 维比较常见。这种向量的表示不是唯一的。特点是越相似的词距离越近。解决了One-hot Representation 表示词汇时不能表示两个词汇关系的问题。42021/8/6文本表示-神经网络神经网络结构：神经网络结构：基本的神经网络结构包含三部分：输入层、隐含层、输出层神经网络的特点：自学习、联想存储、高度并行性、容错性、鲁棒性。52021/8/6文本表示 递归神经网络（

4、递归神经网络（Recursive NN）：）：利用树结构对语句进行建模。时间复杂度：至少是O（n2），其中n是句子或者文本的长度，因此不适合长句子或者文本。另一方面，两个句子之间的关系很难通过树结构进行表示。62021/8/6文本表示循环神经网络（循环神经网络（Recurrent NN）：）：对文本进行逐词分析，将已有的文本信息存储在固定大小的隐藏层。时间复杂度： (n)缺点：不公平性，后出现的单词比前出现的单词重要性更高。因此对于整个文本进行分类时会降低有效性。因为文本中重要的单词会在任何地方出现。72021/8/6文本表示卷积神经网络（卷积神经网络（Convolutional NN）：）：

5、卷积神经网络可以有效解决不公平性问题。时间复杂度O（n）已有的研究大多使用简单的卷积内核，比如固定窗口大小。这样窗口大小成为制约性能的关键因素：太小可能会丢失重要信息、太大会导致参数空间过大而难以训练。82021/8/6本文解决方法利用循环卷积神经网络（RCNN）解决文本分类问题，即将循环神经网络和卷积神经网络结合，对文本进行表示。方法主要贡献：1.利用双向循环神经网络来表征单词的上下文信息2. 利用最大池层自动判断哪个特征在文本分类中的作用更大92021/8/6方法细节单词表示利用单词和它的上下文信息共同表示一个单词：wi = cl(wi);e(wi);cr(wi) cl(wi):单词wi左

6、边的文本内容 cr(wi):单词wi右边的文本内容 e(wi-1):单词wi-1的词向量 W(l)：将隐藏层传递到下一层的矩阵 W(sl): 将当前单词的语义和下一个单词左边的文本组合 起来的矩阵 f : 非线性激活函数102021/8/6方法细节单词表示利用循环神经网络对语句“A sunset stroll along the South Bank affords an array of stunning vantage points”进行建模表示。112021/8/6方法细节文本表示 得到单词wi的表示形式xi之后，利用双曲正切函数进行转换，将结果传递到下一层：Yi(2) = tanh(w

7、(2)xi + b(2) 利用卷积神经网络来表示文本，当所有的单词的表示都计算完成后，进行池化操作，这里采用的是最大池化：Y(3) = max yi(2) ( i = 1,2.n) 最大池层将不同长度的文本转换为具有相同长度的向量。采用最大池层的好处是可以发现文本中最重要的语义信息。122021/8/6方法细节输出结果 输出层：y(4) = W(4)y(3) + b(4) 转换为概率： 意义：表示文本属于某个类别的概率132021/8/6参数训练 神经网络的参数：将所有的参数都用来进行对 的训练目标是使得对应的值使得下式最大其中，D是待分类文本，ClassD是该文本的正确分类类别训练过程中采用了梯度下降的方法，为学习速率：142021/8/6参数训练 词向量训练：Skip-gram model.目标：使得上式的值最大。其中，C是训练文本的长度。概率