【文本分类】《融合知识感知与双重注意力的短文本分类模型》

news2025/1/9 15:54:53

·阅读摘要：
本文主要提出基于TextRCNN模型使用知识图谱、双重注意力感知来改进短文本分类，最终提高了精度。
·参考文献：
[1] 融合知识感知与双重注意力的短文本分类模型

参考论文信息（很牛）

论文名称：《融合知识感知与双重注意力的短文本分类模型》

发布期刊：《软件学报》

期刊信息：CSCD
在这里插入图片描述

【注一】：软件学报很厉害的，是国内三大计算机期刊之一。

[0] 摘要

短文本包含有效信息较少且口语化严重, 对模型的特征学习能力要求较高。为此，论文提出KAeRCNN模型, 该模型在TextRCNN模型的基础上, 融合了知识感知与双重注意力机制。

知识感知包含了知识图谱实体链接和知识图谱嵌入, 可以引入外部知识以获取语义特征。

双重注意力机制可以提高模型对短文本中有效信息提取的效率。

[1] 相关工作

基于Word2Vec词向量训练

我们知道不用大模型的话，embedding层一般会使用预训练词向量，常用的词向量有Word2Vec、Glove和FastText，本文用的是Word2Vec。

【注二】：嵌入层是文本领域的必须掌握的知识，可以去【文本分类】深入理解embedding层的模型、结构与文本表示深入了解。

基于机器学习的文本分类

传统的机器学习方法处理短文本的过程主要分为3个阶段, 分别为文本预处理、文本的特征选择和文本训练.。

· 预处理：主要是分词，一般采用jieba、HanLP；
· 特征选择：对分词结果经行进一步提取，常用的方法有CHI、MI、PCA、TFIDF等等‘
· 文本训练：模型很多，主要是机器学习的模型，SVM、KNN、NB等等。

基于深度学习的文本分类

主要是基于CNN和RNN模型算法。

基于预训练模型的文本分类

介绍了Transformer、BERT和ERNIE。

论文说了预训练模型的缺点，很有参考价值：

然而, 基于预训练模型的文本分类方法往往模型参数巨大、收敛缓慢、训练时间长, 并对硬件的要求较为苛刻, 因此这类方法的使用受到了一定程度的限制, 需要根据实际应用背景来使用. 例如: 在处理训练样本稀少的文本分类任务时, 基于预训练模型的方法效果拔群; 然而在有充足训练样本的场景下, 训练时间长以及硬件要求高使其不适用于许多任务。

知识图谱嵌入

典型的知识图谱由数百万个实体-关系-实体三元组(h,r,t)组成, 其中, h、r和 t分别代表三元组的头部、关
系和尾部. 给定知识图谱中的所有三元组, 知识图谱嵌入的目标是学习每个实体和关系的低维表示向量, 保留原始知识图谱的结构信息.

注意力机制

【注三】：注意力就不用多说了。

[2] 模型

在这里插入图片描述

【注四】：个人感觉，论文的模型图画的有些简陋，没把用到的技巧体现出来。

本文模型的创新点如下：

· 双重注意力机制
· 词过滤算法
· 知识感知实体增强
· TextRCNN分类模型

双重注意力机制

论文采取双重注意力机制, 分别在输入层和RCNN中引入注意力机制。

【注五】：这里的“双重”，理解为两处地方用了注意力。论文没有多说在RCNN模型中使用注意力机制，主要介绍了在输入之前使用注意力。

在分类前, 计算词对各类别的贡献度, 为词过滤做准备; 希望将注意力分配给有实际意义、词性重要的名词或动词, 而相对较少或几乎不分配注意力给介词、语气词、口语词一类的词组, 以此赋予有准确语义的词在文本分类任务中有更高的权重。

【注六】：论文的意思是，一条文本中的n个词，把这条文本中的每个词喂到一个单层神经网络，然后得到这个词对所有标签的分类概率，然后会得到一个（词数，标签数）的向量，用于后续筛选词。想法很新鲜，但是我觉得跟注意力机制不沾边啊。

词过滤算法

在上面一部得到的（词数，标签数）向量，然后我们根据一个贡献度计算公式计算这条n个词的文本中每个词的贡献度，然后把小于一定值的词直接剔除。

加入剔除了a个词，那么现在文本就剩下n-a个词了。

知识感知实体增强

利用实体链接将短文本中通过命名实体识别发现的实体, 与知识图谱中预定义的实体相关联,以消除它们的歧义。最后也会生成一个向量。

TextRCNN分类模型

TextRCNN模型结构代码如下：

class Model(nn.Module):
    def __init__(self, config):
        super(Model, self).__init__()
        if config.embedding_pretrained is not None:
            self.embedding = nn.Embedding.from_pretrained(config.embedding_pretrained, freeze=False)
        else:
            self.embedding = nn.Embedding(config.n_vocab, config.embed, padding_idx=config.n_vocab - 1)
        self.lstm = nn.LSTM(config.embed, config.hidden_size, config.num_layers,
                            bidirectional=True, batch_first=True, dropout=config.dropout)
        self.maxpool = nn.MaxPool1d(config.pad_size)
        self.fc = nn.Linear(config.hidden_size * 2 + config.embed, config.num_classes)

    def forward(self, x):
        embed = self.embedding(x)  # [batch_size, seq_len, embeding] = [128, 32, 300]
        out, _ = self.lstm(embed)  # [batch_size, seq_len, hidden_size * 2] = [128, 32, 512]
        out = torch.cat((embed, out), 2)  # [batch_size, seq_len, hidden_size * 2 + embeding] = [128, 32, 812]
        out = F.relu(out)  # [batch_size, seq_len, hidden_size * 2 + embeding] = [128, 32, 812]
        out = out.permute(0, 2, 1)  # [batch_size, hidden_size * 2 + embeding, seq_len] = [128, 812, 32]
        out = self.maxpool(out).squeeze()  # [batch_size, hidden_size * 2 + embeding] = [128, 812]
        out = self.fc(out)
        return out