学界 | Yann LeCun新作，中日韩文本分类到底要用哪种编码？

AI科技评论按：前几天，Yann LeCun与其学生 张翔在arXiv上发表了一篇新作「Which Encoding is the Best for Text Classification in Chinese, English, Japanese and Korean?」。这篇文章做了一个包含473种模型的大型对比实验，实验的目的是对文本分类任务中不同语言（英语、汉语、韩语和日语）不同的level（utf-8 、字符等）和不同的encoding（bag-of-words等）在不同模型（linear models、fastText、ConvNets等）中组合使用的效果进行测试，得到了一系列有参考价值的结论。本文中 AI 科技评论将对这篇论文进行详细分析。

文本分类是自然语言处理中最普遍的一个应用，例如文章自动分类、邮件自动分类、垃圾邮件识别、用户情感分类等等，在生活中有很多例子。但是由于不同语言之间差别很大（例如像汉语、韩语、日语这样的CJK语言与英语这样的字母语言在处理上有很大不同）。例如最近有人使用字符级编码的神经网络（ConvNets）来处理语言中的单词分割问题，但是很不幸的是，用字符来处理CJK语言并不很好，因为这时候字符的数量会变得非常巨大。所以能否找到一种在处理所有这些自然语言上都表现优良的模型呢？作者的方法就是，列出一系列模型（473个）， 然后比较它们的表现。

一、数据集（data sets）

这篇文章考虑了4种语言，分别为汉语、英语、日语和韩语。作者分别从大众点评（汉语，餐饮）、京东（汉语，网店）、Rakuten（网店，日语）、11st（网店，韩语）、Amazon（英语，网店）、凤凰网（汉语，新闻）、中国日报（汉语，新闻）、NYnews（英语，新闻）等八个网站爬取了8个情感分类数据集。其中京东、Rakuten、11st和Amazon的数据集又分为全五星分类和双分法类（1、2星为负，3星舍弃，4、5星为正）。另外因为这四个网站都是网店类型，所以可以用它们来组合成两个joint数据集（全五星和双分法），这两个数据集由于是混合了四种语言，所以可以用来检测模型处理不同语言的能力。综上共有14个情感分类的数据集。

二、编码级别（encoding level）

所谓编码级别，简单说就是考虑文本分析时的最小单位。在文中提及的编码级别包括：字符（characters）、UTF-8（byte）、罗马化字符（romanized characters）、词（words）、罗马化词（romanized words）等。

三、编码机制（encoding Mechanism）

本文选择的深度学习模型为卷积网络模型（ConvNets），根据网络层数分为large Net（12层）和small Net（8层）。在卷积网络模型训练中，必须对文本进行编码机器才能识别。在这篇文章中包含三种编码机制，分别为：字符字形编码（Character Glyph）、独热编码（One-hot Encoding）、嵌入编码（Embedding）。

1、字符字形编码（Character Glyph）

所谓字形就是在读写中可以识别的一个符号，例如汉字中的笔画“丿”或英语中的“a”，都是一个可识别的字形。在这篇文章中作者将每一个字形转化成一个16*16的像素点阵。很明显这种编码机制对于CJK语言（字符较为丰富）非常合适。不过这种方式只能在字符级进行，所以只能构建出一种卷积网络模型，称之为GlyphNet。

2、独热编码（One-hot Encoding）

独热码, 直观来说就是有多少个状态就有多少比特，而且只有一个比特为1，其他全为0的一种码制。例如，有6个状态的独热码状态编码为：000001，000010，000100，001000，010000，100000。如果是英文字母的编码，那么就需要状态码长度为26了。独热码编码的最大优势在于状态比较时仅仅需要比较一个位，从而一定程度上简化了译码逻辑。但是，很显然，如果字符数量非常多（CJK语言）的情况下，独热码的码长就会非常大。不过在这篇文章中，作者考虑了两种方式来解决这个问题：第一种是将所有的文本（UTF-8）看成是一个字节序列，在字节层次进行编码，构建的卷积网络模型称之为byte-level OnehotNet；第二种是将文本罗马化，也即用英语字母来编码（值得注意的是，这种方式等价于用罗马化文本在字节层次进行编码），构建的卷积网络模型称之为Romanization OnehotNet。字节级处理的优势在于，它们可以应用到任何一种语言当中，无论这种语言在字符或者字体级别有多少实体，所以它们也可以很容易地应用到CJK语言当中。

3、嵌入编码（Embedding）

所谓嵌入码，即将每一个实体用一个固定长度的向量来表示。比如，对于“A B A C B F G”这样的一个序列，也许我们最后能得到：A对应的向量为[0.1 0.6 -0.5]，B对应的向量为[-0.2 0.9 0.7] （此处的数值只用于示意）。由于这种向量表示是随机的初始化的，它不像独热码那样严格，所以相比独热码它在内存中会更小。另外一个优点就是它可以应用到任何编码级别。所以在本文当中，作者使用嵌入编码从字节、字符、单词、罗马化字符、罗马化单词等不同的编码级别来分别编码比较，嵌入码向量长度都为256。

通过这种方式构建的卷积网络模型称之为EmbedNet。这种模型编码可以分别在characters、byte、romanized characters、words、romanized words五个级别进行，所以共有五种模型。

综上所述，共有（1+2+5）*2=16种卷积网络模型。

三、线形模型和fastText模型

除了卷积网络模型外，在这篇文章中作者还选取了线形模型（linear model）和fastText模型进行对比。

1、线形模型（linear model）

传统的文本分类方法的流程就是人工设计一些特征，从原始文档中提取特征，然后指定分类器如LR、SVM，训练模型对文本进行分类。比较经典的特征提取方法如频次法（文章中用plain表示）、TF-IDF等。所谓频次法顾名思义就是记录和统计每个文本中实体（例如character、word、romanized word）的次数分布，以此来分类。但是有些词如“的”“了”等虽然出现的次数比较多，但实际并没有意义。所以就提出了另一种线形模型TF-IDF。TF即term frequency，仍然表示项目在文本中出现的频次，但加入了IDF（inverse document frequency）的权重，在全部文档中出现频次越大，该term在样本中的IDF就越小。于是TF*IDF就可以作为一个项目的统计结果了，这要比简单的频率统计更为准确。

2、fastText模型

fastText模型是2016年Joulin等人提出的一个快速分类模型。该模型并入了分层softmax和特征散列等技巧，这种模型能够以ConvNets模型几个数量级的速度处理输入文本。本质上fastText模型就是一个没有非线性的2层全连接神经网络。

在以上这两个模型中，作者选择了character、word、romanized word三种编码级别，但是还有一个问题没有解决，即以多大的单位进行统计／判断？这就涉及到一个概念： n-gram。它的意思就是将给定文本转化为长度为n的项目（term）的序列。例如“你今天休假了吗”，它的2-gram依次是：“你今，今天，天休，休假，假了，了吗”。作者为线形模型选择了1-gram和5-gram两种，为fastText模型选择了1-gram、2-gram和5-gram。

综上所述，作者共构建了3*2*2=12种线形模型和3*3=9种fastText模型。

四、结果

针对以上四种语言，汉语、日语、韩语以及joint共11个数据集，每个数据集都有37个模型；英语的3个数据集，每个有22个模型。总计有473个模型参与到对比中。表格中的数据表示训练误差的百分比。

另外每一种模型所花费的时间也是不一样，其量级差别非常大。作者通过对joint 二分数据集的100万个样本进行训练得到下面这个对比数据。这个对比只是作为参考，具体情况会根据计算环境而变。

五、结论

通过比较以上表格中的误差率，作者得出以下结论：

1、fastText模型对中、日、韩文本（CJK语言文本）在character级编码的处理结果更好；而对英语文本则在word级编码的处理结果更好；

2、对于fastText和线性模型，CJK语言的word级编码在没有完美分割的情况下效果相当；

3、卷积网络的最佳编码机制是byte级独热编码（byte-level one-hot encoding）。 这表明卷积网络能够从低级别的表示中理解文本，并提供了一致的和统一的方式来处理多种语言。

4、fastText相比于卷积网络更倾向于过拟合，而相比于线形模型也并没有表现出更多的表示能力（representation capacity）。

当然，尽管作者在此列了473种模型进行对比，但仍不是全部。例如深度学习模型本文只用了卷积网络模型，但其实还有别的一些有意思的模型，例如周期性网络（recurrent networks）等。作者似乎计划在之后会对周期性网络进行研究，同时还会改进卷积网络模型，看会有什么样的效果。

AI 科技评论消息，据说论文中用到的源代码和数据集随后将全部公布。

论文下载：https://arxiv.org/pdf/1708.02657.pdf