《利用递归卷积神经网络进行文本分类.ppt》由会员分享，可在线阅读，更多相关《利用递归卷积神经网络进行文本分类.ppt（15页珍藏版）》请在三一办公上搜索。
1、循环卷积神经网络用于文本分类,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）,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.更复杂的特征表示方法：比如Tree Kernels 方法3.存在问题：数
2、据稀少（data sparsity)，即有效的信息量太少，影响分类的准确度。,单词表示词向量,1.词向量（word embedding)：传统的词向量：One-hot Representation“话筒”表示为 0 0 010 0 0 0 0 0 0 0 0 0 0 0.“麦克”表示为 0 0 0 0 0 0 0 010 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
3、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。,文本表示-神经网络,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。,文本表示,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
4、过树结构进行表示。,文本表示,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。,文本表示,卷积神经网络（Convolutional NN）：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。,本文解决方法,利用循环卷积神经网络（RCNN）解决文
5、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,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,方法细节单词表示,利用循环神经网络对语句“A sunset stroll along
6、the South Bank affords an array of stunning vantage points”进行建模表示。,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(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。,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,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：,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p的定义如下，用到了softmax函数：,对于单词w1,w2wT,计算下式的值：,其中，|V|是没有标记的文本中的单词。e(wi)是wi的另一个词向量。,
