1 简述

    在没有监督数据的时候，采用无监督算法的方式可以计算两句话的相似度，即通过一些因子，比如语序、词性、共现词比例等等进行打分，最后通过加权计算的方式得到最终的相似分值，最终结果主要依赖因子即特征的提取和加权公式的设计，相关项目可以参考Kaggle Quora比赛华人第一名的解决方案，里面有一些优秀的可借鉴特征。
    但是最终想要更好的效果必然要使用到有监督的算法，而现有较好的技术便是TextCNN。本文主要是整理捋顺一下TextCNN的整个过程以及背后的一些原理，包括自己踩坑的点，还有Tensorflow的一些框架问题。

2 项目

    CNN做文本分类的项目及代码可以参考: TextCNN

3 论文

    CNN做文本分类的论文可以参看: Convolutional Neural Networks for Sentence Classification

paper_models.png

models.png

4 代码

    下面是一个标准的TextCNN的代码：

# coding: utf-8

import tensorflow as tf
import warnings
warnings.filterwarnings("ignore")

class TCNNConfig(object):
    embedding_dim = 64  # 词向量维度
    seq_length = 600  # 序列长度
    num_classes = 10  # 类别数
    num_filters = 256  # 卷积核数目
    # kernel_sizes = [3, 4, 5]  # 卷积核尺寸
    kernel_sizes = 5 # 卷积核尺寸
    vocab_size = 5000  # 词汇表达小
    hidden_dim = 128 # 全连接层神经元
    dropout_keep_prob = 0.5  # dropout保留比例
    learning_rate = 1e-3  # 学习率
    batch_size = 64  # 每批训练大小
    num_epochs = 10  # 总迭代轮次
    print_per_batch = 100  # 每多少轮输出一次结果
    save_per_batch = 10  # 每多少轮存入tensorboard

class TextCNN(object):
    def __init__(self, config):
        self.config = config
        # 三个待输入的数据
        self.input_x = tf.placeholder(tf.int32, [None, self.config.seq_length], name='input_x')
        self.input_y = tf.placeholder(tf.float32, [None, self.config.num_classes], name='input_y')
        self.keep_prob = tf.placeholder(tf.float32, name='keep_prob')
        self.cnn()
    def cnn(self):
        # 词向量映射
        with tf.device('/cpu:0'):
            embedding = tf.get_variable('embedding', [self.config.vocab_size, self.config.embedding_dim])
            embedding_inputs = tf.nn.embedding_lookup(embedding, self.input_x)

        with tf.name_scope("cnn"):
            # CNN layer
            conv = tf.layers.conv1d(embedding_inputs, self.config.num_filters, self.config.kernel_size, name='conv')
            # global max pooling layer
            gmp = tf.reduce_max(conv, reduction_indices=[1], name='gmp')

        '''
        for kernel_size in self.config.kernel_sizes:
            gmps = []
            with tf.name_scope("cnn-%s" % kernel_size):
                # CNN layer
                conv = tf.layers.conv1d(embedding_inputs, self.config.num_filters, kernel_size)
                # global max pooling layer
                gmp = tf.reduce_max(conv, reduction_indices=[1])
                gmps.append(gmp)
        gmp = tf.concat(values=gmps, name='last_pool_layer', axis=3)
        '''

        with tf.name_scope("score"):
            # 全连接层，后面接dropout以及relu激活
            fc1 = tf.layers.dense(gmp, self.config.hidden_dim, name='fc1')
            fc2 = tf.contrib.layers.dropout(fc1, self.keep_prob)
            fc = tf.nn.relu(fc2)

            # 分类器
            self.logits = tf.layers.dense(fc, self.config.num_classes, name='fc2')
            self.y_pred_cls = tf.argmax(tf.nn.softmax(self.logits), 1)  # 预测类别

        with tf.name_scope("optimize"):
            # 损失函数，交叉熵
            cross_entropy = tf.nn.softmax_cross_entropy_with_logits(logits=self.logits, labels=self.input_y)
            self.loss = tf.reduce_mean(cross_entropy)
            # 优化器
            self.optim = tf.train.AdamOptimizer(learning_rate=self.config.learning_rate).minimize(self.loss)

        with tf.name_scope("accuracy"):
            # 准确率
            correct_pred = tf.equal(tf.argmax(self.input_y, 1), self.y_pred_cls)
            self.acc = tf.reduce_mean(tf.cast(correct_pred, tf.float32))

    代码中的TextCNN并没有设置可变kernel_sizes，统一设置kernel_sizes=5。通过修改注释代码即可以实现可变kernel_sizes。实验之后发现加入可变的kernel_sizes可以在实验的那个数据集上略微提升一点效果，但是提升不大，因为固定kernel_sizes=5效果就已经很好了，具体对比可以看GitHub的对比，所以在新的数据集上可以实验对比两种效果，kernel_sizes一般选2,3,4,5。
    另一个困扰我比较久的是数据传输问题，数据在传送过程中的维度变化。现在就基于以上代码（tensorflow）捋顺一下数据传送过程中的维度变化。batch_size=64，seq_length=600，可得input_x (64, 600)；vocab_size=5000，embedding_dim =64，可得embedding （5000, 64）；embedding_inputs （64, 600, 64）；num_filters=256，kernel_size=5，可得conv （64, 596, 256）；gmp （64, 256）；fc1 （64, 128）；fc2（64, 128），fc1到fc2只经过一个dropout所以维度并没有变化；fc（64, 128），fu2到fc只经过一个relu所以维度没有变化。之后就是进行softmax操作了。

5 踩坑

     - python2 对汉字真是太不友好了，各种编码问题
     - 尽量不要并联太多and，不然速度会很慢，比如分词的时候可以先通过词长过滤掉一部分，然后全部收集，最后再遍历，筛掉停用词。如果分词的时候直接筛停用词，速度超级慢。
     - 字符级和词语级从当前公开数据集上对比，效果相当，词语级速度更快，但是需要预先分词
     - 目前还没有实验预训练词向量，未完待续。。。