多标签文本分类介绍，以及对比训练

欢迎提问！

HelloNLP

今天我为大家主要介绍几种多标签文本分类的方法。

一、文本分类介绍

首先，我介绍下多元文本分类和多标签文本分类的的区别。

1、Multi-Class：多分类/多元分类（二分类、三分类、多分类等）

• 二分类：判断邮件属于哪个类别，垃圾或者非垃圾
• 二分类：判断新闻属于哪个类别，机器写的或者人写的
• 三分类：判断文本情感属于{正面，中立，负面}中的哪一类
• 多分类：判断新闻属于哪个类别，如财经、体育、娱乐等

2、Multi-Label：多标签分类

• 文本可能同时涉及任何宗教，政治，金融或教育，也可能不属于任何一种。
• 电影可以根据其摘要内容分为动作，喜剧和浪漫类型。有可能电影属于romcoms [浪漫与喜剧]等多种类型。

3、二者区别

• 多分类任务中一条数据只有一个标签，但这个标签可能有多种类别。比如判定某个人的性别，只能归类为"男性"、"女性"其中一个。再比如判断一个文本的情感只能归类为"正面"、"中面"或者"负面"其中一个。
• 多标签分类任务中一条数据可能有多个标签，每个标签可能有两个或者多个类别。例如，一篇新闻可能同时归类为"娱乐"和"运动"，也可能只属于"娱乐"或者其它类别。

例子：

假设个人爱好的集合一共有6个元素：运动、旅游、读书、工作、睡觉、美食

二、多标签文本分类

下面，我会介绍3种文本多标签分类的方法。

1、改变输出概率（probabilities）的计算方式和交叉熵的计算方式

• tf.nn.sigmoid_cross_entropy_with_logits测量离散分类任务中的概率误差，其中每个类是独立的而不是互斥的。这适用于多标签分类问题。
• tf.nn.softmax_cross_entropy_with_logits测量离散分类任务中的概率误差，其中类之间是互斥的（每个条目恰好在一个类中）。这适用多分类问题。
• 在简单的二进制分类中，sigmoid和softmax没有太大的区别，但是在多分类的情况下，sigmoid允许处理非独占标签（也称为多标签），而softmax处理独占类。

2、改变输出的全连接层

• 在输出层设置多个全连接层，每一个全连接层对应一个标签。
• 损失函数为所有标签损失函数的平均值。

3、使用翻译框架：Attention + seq2seq（Beam Search）

• 上下文语义信息 -> 多标签之间的关系。多标签一般去看下并非独立。
• 将多标签当作一个序列（类似一句话）。

三、实践

以上3种方法，都有自己的优缺点。可能不同的人会有不同的想法，有的人会觉得第1种方法最好，有的人会觉得第2种会更种好，还有剩下一部分人会觉得第3种方法最好。我们有自己不同的理解，是因为我们都有自己的想法。（有想法可以留言评论）

至于哪一种方法最好呢，实践出真理。所以，之后，我会在同一个Pretraining LM的基础上，通过修改下游任务的框架，按照以上3种方法逐一实现（附代码）。

Github链接: https://github.com/hellonlp/classifier-multi-label

四、相关文章

1、改变输出概率（probabilities）的计算方式和交叉熵的计算方式

• 下游任务使用全连接层：

HelloNLP：多标签文本分类 [ALBERT]（附代码）76 赞同 · 43 评论文章

• 下游任务使用TextCNN:

HelloNLP：多标签文本分类 [ALBERT+TextCNN]（附代码）126 赞同 · 294 评论文章

2、改变输出的全连接层

HelloNLP：多标签文本分类 [ALBERT+Denses]（附代码）65 赞同 · 25 评论文章

3、基于Seq2Seq+Attention框架

HelloNLP：多标签文本分类 [ALBERT+Seq2Seq+Attention]128 赞同 · 68 评论文章

五、模型对比

接下来的实验结果是基于一个多标签的文本分类，其中标签数量为96个。

1、损失函数图

一共训练了4个模型，分别是ALBERT、ALBERT+TextCNN、ALBERT+Seq2Seq+Attention和ALBERT+Denses，他们在上图中的对应关系分别为：CML、CML_TextCNN、CML_SeqSeq和CML_Denses。训练过程中，每一个框架使用的同样的batch_size、learning_rate。

在上图中，从表面上看，基于ALBERT、ALBERT+TextCNN和ALBERT+Denses这三种框架下的Loss收敛的很快，这个是因为计算loss时，会考虑到标签为0的情况，即标签为空的情况（在项目中，很多样本为空标签）。

2、精确率、召回率和F1值

2.1、 评估方法

简单粗暴

这里的精确率、召回率和F1值都是针对有标签的。

在TP的情况下，存在两种情况，一种是预测标签和真实标签完全一致，另一种是预测标签和真实标签只有部分一致。这两种情况下我们计算的方式为：

# 第一种情况
TP = TP + 1
# 第二种情况
TP = TP + 0.5
FN = FN + 0.5

这样做的目前主要是因为多标签分类中，存在标签部分召回或者过多召回（某一个样本）。

自己设计（建议）

HelloNLP：如何评估多标签分类的精确率/召回率？26 赞同 · 19 评论文章

2.2、评估结果

从上表中可以看到，基于ALBERT+Denses的效果远远好于基于ALBERT的。另外，基于ALBERT+TextCNN较好于的ALBERT+Denses的效果。

• ALBERT+TextCNN和ALBERT+Seq2Seq_Attention的效果接近。
• 在推理速度上面，前面三个框架基本接近，ALBERT+Seq2Seq_Attention的速度比他们慢3倍。

3、结论

• 如果对推理速度的要求不是非常高，基于ALBERT+Seq2Seq_Attention框架的多标签文本分类效果最好。
• 如果对推理速度和模型效果要求都非常高，基于ALBERT+TextCNN会是一个不错的选择。