作者: 天雨粟
前言
最近把2014年Yoon Kim的《Convolutional Neural Networks for Sentence Classification》看了下，不得不说虽然Text-CNN思路比较简单，但确实能够在Sentence Classification上取得很好的效果。另外，之前@霍华德大神提了这个问题，链接如下：
https://www.zhihu.com/question/278825804/answer/402634502
我当时根据自己的理解说了点想法，大神在问题里面也阐明了DNN、CNN和RNN这几种模型的实验效果。所以一直就想自己试试到底这几个模型的实际表现如何，因此机缘巧合之下，就有了这篇文章。本篇文章将使用Cornell公开的一个数据集（这个数据集也是Yoon Kim在论文实验中所使用的数据集之一），数据链接如下：
https://www.cs.cornell.edu/people/pabo/movie-review-data/
数据在我的 GitHub 中也有，所以pull了代码的话就可以不用单独下载数据了~
这个数据集是用来做情感分类，包含了5331条positive的文本和5331条negative的文本。下面所有的代码都将基于这个数据来构建sentence classification model。代码运行的TensorFlow版本：1.6.0
正文
文章共分为6个部分：
- 数据处理
- DNN模型
- LSTM模型
- Text-CNN模型
- Text-CNN模型（进阶版）
- 模型结果对比与分析
建议将代码pull下来辅助学习~
一、数据处理
我们所使用的数据已经做过一定的预处理，我们可以打开txt文档来查看一下内容：
其中每一行是一个完整的句子，句子之间用空格分隔。我们数据处理阶段就是要将这些文本转换为机器可以识别的token。
1、加载数据
首先，我们将数据加载进来：
对文本进行描述性统计：
可以看到我们的正负评论文本各有5331条，平均长度在20左右。
2、构造词典
接下来我们要基于这些语料来构建我们的词典，构造词典的步骤一般就是对文本进行分词再进行去重。当我们对文本的单词进行统计后，会发现有很多出现频次仅为1次的单词，这类单词会增加我们的词典容量，并且还会给文本处理带来一定的噪声。
可以发现有很多出现频次进仅为1的单词，去除这些词以后一方面将会极大减小我们的词典容量，加速模型训练，另一方面也会减缓一定的噪声。
实际中一般在分词之后会对单词进行词干化（Stem）处理，之后再进行词频统计，我这里做的比较粗糙~
因此我们在构造词典过程中仅保留在语料中出现频次大于1的单词。其中<pad>和<unk>是两个初始化的token，<pad>用来做句子填补，<unk>用来替代语料中未出现过的单词。最后我们得到一个包含10384个单词的词典。
3、构造映射
有了词典以后我们就需要构造word到token的映射和token到word的映射：
4、转换文本
有了映射表的基础上，我们就可以对原始文本进行转换，即将文本转换为机器可识别的编码。除此之外，为了保证句子有相同的长度，需要对句子长度进行处理。我们在描述性统计阶段可以发现，语料中句子的平均长度为20个单词，因此我们在这里就设置20作为句子的标准长度：
- 对于超过20个单词的句子进行截断；
- 对于不足20个单词的句子进行PAD补全。
下面我们构造一个函数，它可以接收一个完整的str类型的句子，并根据映射表将其转化为tokens。
这个函数中，我们首先要获取unk的编码和pad的编码，以备后面句子转换使用。接下来对句子进行映射，如果出现没有见过的单词，则用unk的token替代。最后再对句子的长度进行标准化。接下来我们分别对pos文本和neg文本进行转换：
5、加载pre-trained词向量
本文中将使用Glove中预训练好300维的词向量作为模型的word embeddings。
由于这个文件太大，我没有提交到Github，请各位童鞋到Glove官网自行下载数据集： Global Vectors for Word Representation
或者直接点击这里 Glove.6B链接 下载。
下载完成后，将压缩包解压，把glove.6B.300d.txt放入data目录下即可。
我们将加载这个词向量：
可以发现，我们通过语料构造的词典中，有9801个单词有pre-trained的词向量，而583个单词没有对应的pre-trained词向量，Yoon Kim在论文中提到对于这些没有词向量的单词，直接用random value替代。因此，我们将基于pre-trained word embeddings构造一个vocab_size * embedding_size大小的矩阵。
上述代码执行后将得到一个static_embeddings矩阵，这个矩阵每一行是词典中的一个单词所对应的词向量（300维）。
至此，我们就基本完成了数据预处理部分，在这一部分，我们主要完成了两个主要任务：
- 将原始文本转换为了tokens
- 构建了我们的word embeddings
二、DNN模型
1、模型结构
DNN模型对句子的处理方式很简单，对于句子中的每个词，先得到词向量，再将这些词向量进行相加，最终得到句子的向量。将这个向量再连接一个全连接层最后在输出结点输出结果。如下图所示：
我们的输入是一个句子，即“This is an extremely interesting movie, I really love it!"，并用<pad>将句子长度补全为20，对于其中每个词进行word embedding，得到一个20 * embedding_size的矩阵，将这个矩阵的所有行进行相加，便得到sentence embedding，即是一个长度为embedding_size的向量。随后将这个sentence embedding连接一个全连接层，最后再由单个结点输出概率值。
2、模型代码
基于上述模型结构，我们可以定义如下代码：
在这个代码中，我分了几个scope，每个scope包含了一组op。后续几个模型也会采取类似的代码方式。
- placeholders中定义了inputs和targets两个tensor，其中inputs是我们的输入，shape为[batch_size，sentence_len]，这里我们的sentence_len是20。targets的话是1或者0，shape为[batchz_size, 1]
- 在embeddings中，我们定义了我们的embedding矩阵，用pre-trained值填充，由于这些词向量是训练好的，于是我们显式指定trainable=False。经过lookup得到我们输入序列的每个词向量，再将这些向量相加得到sum_embed
- 在model中，我们定义了全连接层和输出层的权重并计算结果，全连接层采用了relu作为激活函数
- 在loss中定义了sigmoid交叉熵损失函数
- evaluation中定义了计算accuracy的op，由于我们pos和neg样本是1：1，因此预测概率超过0.5，我们认为是pos，否则是neg。
3、训练模型
模型构建好之后，我们设置了超参数并对模型进行训练。在这个模型中，我用了80%的数据作为train，剩下20%作为test，一共训练了50个epoch，将模型在train和test上的准确率绘制如下：
用训练好的模型对test数据进行预测，得到准确率如下：
可以看到，dnn模型在train上出现了一定的过拟合，随着训练的进行，当到达25轮左右时，模型在train上的准确率达到了100%，在test上的准确率也相对稳定，最终在test上的准确率为73.46%。可见DNN模型的效果还可以，当然这个效果主要来自于word embeddings。模型中出现的过拟合可以用dropout或者加入l2正则进行缓解，各位同学可以自己尝试下~
三、LSTM模型
1、模型结构
RNN模型可以处理序列问题，LSTM更是擅长捕捉长序列关系。LSTM由于有gate的存在，所以能够很好地学习和把握序列中的前后依赖关系，因此也就更加适合用来处理长序列的NLP问题。模型结构如下：
先将句子进行word embedding后，传入LSTM序列进行训练，将LSTM的最后一个hidden state拿出来，加入全连接层得到最终输出结果。
2、模型代码
基于上述所说的LSTM结构，我们构造模型的代码如下：
上面的代码中和DNN中有几个部分是类似的，这里不再赘述。
- 在embeddings中，这里不同于DNN中词向量求和，LSTM不需要对词向量求和，而是直接对词向量本身进行学习。其中无论是求和还是求平均，这种聚合性操作都会损失一定的信息
- 在model中，我们首先构造了LSTM单元，并且为了防止过拟合，添加了dropout；执行dynamic_rnn以后，我们会得到lstm最后的state，这是一个tuple结构，包含了cell state和hidden state（经过output gate的结果），我们这里只取hidden state输出，即lstm_state.h，对这个向量进行连接，最终得到输出结果
- optimizer和evaluation和DNN模型类似，不在赘述
3、训练模型
模型构建完毕后，设置超参数进行训练，这里我用了单层512个结点的LSTM。将每一轮的训练数据准确率和测试数据的准确率绘图如下：
用训练好的模型对test数据进行预测，得到准确率如下：
emmmm，好像看起来和DNN的结果差不太多，LSTM有点过拟合了，我没有认真调参~，另外，这也说明pre-trained词向量给DNN模型带来了很大的效果，使得它能够逼近LSTM的准确率；另外，相比于DNN，LSTM模型在train上收敛速度更快。
四、CNN模型
1、模型结构
与LSTM捕捉长序列的特点不同，CNN捕捉的是局部特征。我们都知道CNN在图上处理中取得了很不错的效果，这是因为它的卷积和池化操作可以捕捉到图像的局部特征。同理，CNN用在文本处理上，也可以捕捉到文本中的局部信息。下面的实现均参考Yoon Kim在2014年发表的TextCNN的那篇论文。模型结构如下：
如上图所示，假设我们句子长度为20，不足的用<pad>补全。输入句子序列后，经过embedding，我们获得每个单词的词向量（假设词向量维度为300），则我们就得到一个sentence_len * embedding_size的矩阵，如上图中embedding layer所示。在这里我们就可以将它看做是width=embedding_size，height=sentence_len，channel=1的一张图片，那么我们就可以用filter去做卷积操作。
接下来我们采用了3种filter，Yoon Kim在论文中提到了三种filter size分别是3，4，5，每种filter有100个。如上图所示，红色的filter为height=3，width=embedding_size，channel=1；绿色height=4，蓝色height=5。那么为什么这里的filter在width上都要保持和embedding_size一致呢，其实很好理解，width代表的是词向量的大小，对于一个单词来说，其本身的词向量分割是没有意义的，卷积操作的目的是在height方向滑动来捕捉词与词之间的局部关系。
经过卷积操作后，我们就得到了如上图中所示convolutional layers的输出，多个列向量；再经过max-pooling操作来提取每个列向量中的最重要的信息。最终连一层fully-connected layer得到输出结果。
2、模型代码
TextCNN的代码其实很简单，只要我们能够构造出那张图，后面就直接按照图片卷积操作就可以完成。
由于代码比较长，我们分每个name_scope来看，并且像placeholders，evaluation这种和DNN、LSTM部分一样的就不再赘述，这里只讲解关键部分的代码。
完整代码见我的 GitHub
embeddings
首先是embeddings，这个和DNN与LSTM有区别，其实就是多了一行代码。因为卷积操作要求有channels这个维度，因此，我们构造完embed以后，实际上shape=(batch_size, vocab_size, embedding_size)，但是Tensorflow中卷积要求的维度为(batch_size, heights, widths, channels)，因此通过expand_dims增加channels维度。
convolution-pooling
由于我们采用了多种filter（filter size=2, 3, 4, 5, 6），因此对于卷积池化操作要分filter处理。首先定义了pooled_outputs用来存储每种filter的卷积池化操作输出结果。
对于每个filter，先经过卷积操作得到conv，再经过relu函数激活后进行池化，得到max_pooling。由于我们每个filter有100个，因此最终经过flatten后我们可以得到100*5=500维向量，用于连接全连接层。
outputs
Yoon Kim在论文中提到了添加dropout可以带来模型性能提升，因此在这里加入dropout。最后output层进行全连接，经过sigmoid激活输出最终的结果。loss
不同于之前的模型，这里loss上添加了全连接层权重W的L2正则。虽然Yoon Kim说加不加L2无所谓，但是我自己尝试以后发现加了L2会带来模型在test上的性能提升。
3、训练模型
经过模型训练，可以得到train和test的准确率变化，如下图：
由于我们加入了L2正则和dropout，可以发现模型在train上并没有DNN和LSTM那么过拟合，并且迭代50个epoch以后train上准确率还有上升空间。在test上，模型基本在第10轮以后就差不多稳定了。我们来用模型预测test的准确率：
可以看到这个准确率相比于DNN和LSTM模型都有了提升，在test上准确率为75.25%。可以看到TextCNN如此简单的模型却能达到相对较高的准确率。
五、CNN模型进阶版
1、模型结构
CNN模型的进阶即在TextCNN的基础上为embedding多添加一个channel。在第四部分，我们用pre-trained word embeddings构造了shape=(sentence_len, embedding_size, 1)的图，由于pre-trained word embeddings并不在模型中进行训练，因此我们称为static embedding；Yoon Kim在论文中还提到了non-static embedding，即需要随着模型训练的embedding层。这一层可以采用随机初始化，也可以用pre-trained word embedding初始化并进行fine-tune，它的目的在于捕捉task-specific的信息。具体模型结构如下：
可以看到这个与第四部分模型不同的就是在于我们的embedding layer有两层。即在static embedding的基础上添加了一个non-static embedding，相当于原来只有1个channel的图变成了2个channel。添加non-static embedding的好处在于，模型可以通过对语料的学习，得到task-specific的信息。
2、模型代码
由于这个multi-channel仅仅是在第四部分的模型上添加一个可以trainable的embedding，因此我只放了embedding层的代码：
这里我们除了static的embeddings以外，还要构造一个non-static的embedding，我们用随机初始化来填充non-static embedding。得到这两个embedding以后，只需要按照channel堆叠起来就可以得到shape=(sentence_len, embedding_size, 2)的tensor。后面的部分就和上述1层channel的模型一样啦，注意这里filter在channel方向上的值要设置为2。
3、训练模型
经过模型训练，我们绘制其在train和test上的准确率变化图，如下：
这里我只训练了8轮，因为我发现往后训练的话会发生严重过拟合。因为我们的训练语料其实不是很多，而且又加了一层embedding，这就使模型非常容易过拟合。因此我设置了8轮epoch，可以使得模型在test上取得不错的效果。
如上图所示，multi-channels在test上的准确率为76.93%，高于之前的三个模型。
六、总结
至此为止，我们已经完成了分别用DNN、RNN以及CNN处理sentence classification的任务。其中，DNN和RNN在test上的准确率相差无几，而CNN在test上的准确率要高出1%~2%，multi-channels CNN在test准确率高达76.93%，并且训练次数也较少。
我们的模型都相对比较简单，但总体来说这几个模型都取得了不错的准确率，其很大程度上来自于pre-trained word embedding，可见word embedding在NLP模型中的重要性，而multi-channels CNN的准确率提升则在于加入了task-specific的信息。
另外，我们再来从直觉上进一步理解DNN、RNN、CNN这几个模型在NLP处理上的区别，我们以情感分析为例。
首先DNN是最简单的模型，并且它没有处理序列关系的功能，因此在NLP的很多任务中表现并不是很好，如下图所示：
这个句子本身是一个negative的句子，但是我们知道DNN对于text的处理是将词向量相加，因此当这个句子中的positive词汇大于negative词汇时，模型就很容易判定错误。上面的句子中有2个”好“和1个”喜欢“，而否定词仅有”没有“和”不“，因此模型就会认为这是一个positive的句子。但实际上”没有“否定了”好“，”不“否定了”喜欢“。再说RNN（LSTM），如下图：
RNN的好处在于它能够捕捉长序列关系，这种长序列关系的捕捉靠的就是gate。正因为有gate存在，模型才会学习到哪些信息需要保留，哪些信息需要遗忘。在处理中，当模型看到”好“时，它仍记得之前有否定词”没有“，同理，对于”喜欢“和”不“的关系也能够学习到。最后说CNN，如下图：
CNN虽然没有RNN这种序列依赖的结构，但它的卷积操作实质上是对局部信息的捕捉，池化则是对局部重要信息的提取。例如，上面的红色框是一个size=3的filter，蓝色框是一个size=2的filter。他们分别能够捕捉到局部的”没有-好演员“和”不-喜欢“这样的否定关系，因此也一样能够正确对句子进行分类。
总而言之，DNN无法捕捉序列关系，RNN（LSTM）可以捕捉长依赖序列关系，CNN可以捕捉局部序列关系。
