0
比賽源碼（PyTorch 實現(xiàn)）github 地址 https://github.com/chenyuntc/PyTorchText
比賽官網(wǎng)： https://biendata.com/competition/zhihu/
比賽結(jié)果官方通告： https://zhuanlan.zhihu.com/p/28912353
七月，酷暑難耐，認識的幾位同學(xué)參加知乎看山杯，均取得不錯的排名。當時天池 AI 醫(yī)療大賽初賽結(jié)束，官方正在為復(fù)賽進行平臺調(diào)試，復(fù)賽時間一拖再拖。看著幾位同學(xué)在比賽中排名都還很不錯，于是決定抽空試一試。結(jié)果一發(fā)不可收拾，又找了兩個同學(xué)一起組隊（隊伍 init）以至于整個暑假都投入到這個比賽之中，并最終以一定的優(yōu)勢奪得第一名（參見最終排名 ）。
這是一個文本多分類的問題：目標是 “參賽者根據(jù)知乎給出的問題及話題標簽的綁定關(guān)系的訓(xùn)練數(shù)據(jù)，訓(xùn)練出對未標注數(shù)據(jù)自動標注的模型”。通俗點講就是：當用戶在知乎上提問題時，程序要能夠根據(jù)問題的內(nèi)容自動為其添加話題標簽。一個問題可能對應(yīng)著多個話題標簽，如下圖所示。
這是一個文本多分類，多 label 的分類問題（一個樣本可能屬于多個類別）。總共有 300 萬條問題 - 話題對，超過 2 億詞，4 億字，共 1999 個類別。
參考 https://biendata.com/competition/zhihu/data/
總的來說就是：
數(shù)據(jù)經(jīng)過脫敏處理，看到的不是 “如何評價 2017 知乎看山杯機器學(xué)習(xí)比賽”，而是 “w2w34w234w54w909w2343w1"這種經(jīng)過映射的詞的形式，或者是”c13c44c4c5642c782c934c02c2309c42c13c234c97c8425c98c4c340" 這種經(jīng)過映射的字的形式。
因為詞和字經(jīng)過脫敏處理，所以無法使用第三方的詞向量，官方特地提供了預(yù)訓(xùn)練好的詞向量，即 char_embedding.txt 和 word_embedding.txt ，都是 256 維。
主辦方提供了 1999 個類別的描述和類別之間的父子關(guān)系（比如機器學(xué)習(xí)的父話題是人工智能，統(tǒng)計學(xué)和計算機科學(xué)），但這個知識沒有用上。
訓(xùn)練集包含 300 萬條問題的標題（title），問題的描述（description）和問題的話題（topic）
測試集包含 21 萬條問題的標題（title）, 問題的描述 (description)，需要給出最有可能的 5 個話題（topic）
數(shù)據(jù)處理主要包括兩部分：
char_embedding.txt 和 word_embedding.txt 轉(zhuǎn)為 numpy 格式，這個很簡單，直接使用 word2vec 的 python 工具即可
對于不同長度的問題文本，pad 和截斷成一樣長度的（利用 pad_sequence 函數(shù)，也可以自己寫代碼 pad）。太短的就補空格，太長的就截斷。操作圖示如下：
文本中數(shù)據(jù)增強不太常見，這里我們使用了 shuffle 和 drop 兩種數(shù)據(jù)增強，前者打亂詞順序，后者隨機的刪除掉某些詞。效果舉例如圖：
每個預(yù)測樣本，提供最有可能的五個話題標簽，計算加權(quán)后的準確率和召回率，再計算 F1 值。注意準確率是加權(quán)累加的，意味著越靠前的正確預(yù)測對分數(shù)貢獻越大，同時也意味著準確率可能高于 1，但是 F1 值計算的時候分子沒有乘以 2，所以 0.5 是很難達到的。
具體評價指標說明請參照
https://biendata.com/competition/zhihu/evaluation/
建議大家先閱讀這篇文章，了解文本多分類問題幾個常用模型：用深度學(xué)習(xí)（CNN RNN Attention）解決大規(guī)模文本分類問題
文本分類的模型很多，這次比賽中用到的模型基本上都遵循以下的架構(gòu)：
基本思路就是，詞（或者字）經(jīng)過 embedding 層之后，利用 CNN/RNN 等結(jié)構(gòu)，提取局部信息、全局信息或上下文信息，利用分類器進行分類，分類器的是由兩層全連接層組成的。
在開始介紹每個模型之前，這里先下個結(jié)論：
當模型復(fù)雜到一定程度的時候，不同模型的分數(shù)差距很?。?/strong>
這是最經(jīng)典的文本分類模型，這里就不細說了，模型架構(gòu)如下圖：
和原始的論文的區(qū)別就在于：
使用兩層卷積
使用更多的卷積核，更多尺度的卷積核
使用了 BatchNorm
分類的時候使用了兩層的全連接
總之就是更深，更復(fù)雜。不過卷積核的尺寸設(shè)計的不夠合理，導(dǎo)致感受野差距過大。
沒找到論文，我就憑感覺實現(xiàn)了一下：
相比于其他人的做法，這里的不同點在于：
使用了兩層的雙向 LSTM。
分類的時候不是只使用最后一個隱藏元的輸出，而是把所有隱藏元的輸出做 K-MaxPooling 再分類。
參考原論文的實現(xiàn)，和 RNN 類似，也是兩層雙向 LSTM，但是需要和 Embedding 層的輸出 Concat(類似于 resnet 的 shortcut 直連)。
這個是我自己提出來的，參照 TextCNN 的思想（多尺度卷積核），模仿 Inception 的結(jié)構(gòu)設(shè)計出來的，一層的 Inception 結(jié)構(gòu)如下圖所示，比賽中用了兩層的 Inception 結(jié)構(gòu)，最深有 4 層卷積，比 TextCNN 更深。
訓(xùn)練的時候，每個模型要么只訓(xùn)練基于詞（word）的模型，要么只訓(xùn)練基于字（char）的模型。各個模型的分數(shù)都差不多，這里不再單獨列出來了，只區(qū)分訓(xùn)練的模型的類型和數(shù)據(jù)增強與否。
可以看出來
基于詞的模型效果遠遠好于基于字的（說明中文分詞很有必要）。
數(shù)據(jù)增強對基于詞（word）的模型有一定的提升，但是對于基于字（char）的模型主要是起到副作用。
各個模型之間的分數(shù)差距不大。
像這種模型比較簡單，數(shù)據(jù)量相對比較小的比賽，模型融合是比賽獲勝的關(guān)鍵。
在這里，我只使用到了最簡單的模型融合方法 ----- 概率等權(quán)重融合。對于每個樣本，單模型會給出一個 1999 維的向量，代表著這個模型屬于 1999 個話題的概率。融合的方式就是把每一個模型輸出的向量直接相加，然后選擇概率最大的 5 個話題提交。結(jié)構(gòu)如圖所示：
下面我們再來看看兩個模型融合的分數(shù)：
第一列的對比模型采用的是 RNN（不采用數(shù)據(jù)增強，使用 word 作為訓(xùn)練數(shù)據(jù)），第二列是四個不同的模型（不同的結(jié)構(gòu)，或者是不同的數(shù)據(jù)）。
我們可以得出以下幾個結(jié)論：
從第一行和第二行的對比之中我們可以看出，模型差異越大提升越多（RNN 和 RCNN 比較相似，因為他們底層都采用了雙向 LSTM 提取特征），雖然 RCNN 的分數(shù)比 Inception 要高，Inception 對模型融合的提升更大。
從第一行和第四行的對比之中我們可以看出，數(shù)據(jù)的差異越大，融合的提升越多，雖然基于字（char）訓(xùn)練的模型分數(shù)比較低，但是和基于詞訓(xùn)練的模型進行融合，還是能有極大的提升。
采用數(shù)據(jù)增強，有助于提升數(shù)據(jù)的差異性，對模型融合的提升幫助也很大。
總結(jié)： 差異性越大，模型融合效果越好。沒有差異性，創(chuàng)造條件也要制造差異性。
其實模型融合的方式，我們換一種角度考慮，其實就是一個很大的模型，每一個分支就像多通道的 TextCNN 一樣。那么我們能不能訓(xùn)練一個超級大的模型？答案是可以的，但是效果往往很差。因為模型過于復(fù)雜，太難以訓(xùn)練。這里我嘗試了兩種改進的方法。
第一種方法，利用預(yù)訓(xùn)練好的單模型初始化復(fù)雜模型的某一部分參數(shù)，模型架構(gòu)如圖所示：
但是這種做法會帶來一個問題： 模型過擬合很嚴重，難以學(xué)習(xí)到新的東西。因為單模型在訓(xùn)練集上的分數(shù)都接近 0.5，已經(jīng)逼近理論上的極限分數(shù)，這時候很難接著學(xué)習(xí)到新的內(nèi)容。這里采取的應(yīng)對策略是采用較高的初始學(xué)習(xí)率，強行把模型從過擬合點拉出來，使得模型在訓(xùn)練集上的分數(shù)迅速降低到 0.4 左右，然后再降低學(xué)習(xí)率，緩慢學(xué)習(xí)，提升模型的分數(shù)。
第二種做法是修改預(yù)訓(xùn)練模型的 embedding 矩陣為官方給的 embedding 權(quán)重。這樣共享 embedding 的做法，能夠一定程度上抑制模型過擬合，減少參數(shù)量。雖然 CNN/RNN 等模型的參數(shù)過擬合，但是由于相對應(yīng)的 embedding 沒有過擬合，所以模型一開始分數(shù)就會下降許多，然后再緩慢提升。這種做法更優(yōu)。在最后提交模型復(fù)現(xiàn)成績的時候，我只提交了七個這種模型，里面包含著不同子模型的組合，一般包含 3-4 個子模型。這種方式生成的權(quán)重文件也比較?。?00M-700M 左右），上傳到網(wǎng)盤相對來說更方便。
MultiMode 只是我諸多嘗試的方法中比較成功的一個，其它方法大多以失敗告終（或者效果不明顯）
數(shù)據(jù)多折訓(xùn)練：因為過擬合嚴重，想著先拿一半數(shù)據(jù)訓(xùn)，允許它充分過擬合，然后再拿另外一半數(shù)據(jù)訓(xùn)。效果不如之前的模型。
Attention Stack，參考了這篇文章，其實本質(zhì)上相當于調(diào)權(quán)重，但是效果有限，還麻煩，所以最后直接用等權(quán)重融合（權(quán)重全設(shè)為 1）。
Stack，太費時費力，浪費了不少時間，也有可能是實現(xiàn)有誤，提升有限，沒有繼續(xù)研究下去。
Boost，和第二名 Koala 的方法很像，先訓(xùn)一個模型，然后再訓(xùn)第二個模型和第一個模型的輸出相加，但是固定第一個模型的參數(shù)。相當于不停的修正上一個模型誤判的 (可以嘗試計算一下梯度，你會發(fā)現(xiàn)第一個模型已經(jīng)判對的樣本，即使第二個模型判別錯了，第二個模型的梯度也不會很大，即第二個模型不會花費太多時間學(xué)習(xí)這個樣本）。但是效果不好，原因：過擬合很嚴重，第一個模型在訓(xùn)練集上的分數(shù)直接就逼近 0.5，導(dǎo)致第二個模型什么都沒學(xué)到。Koala 隊伍最終就是憑借著這個 Boost 模型拿到了第二名，我過早放棄，沒能在這個方法上有所突破十分遺憾。
TTA（測試時數(shù)據(jù)增強），相當于在測試的時候人為的制造差異性，對單模型的效果一般，對融合幾乎沒有幫助。
Hyperopt 進行超參數(shù)查詢，主要用來查詢模型融合的權(quán)重，效果一般，最后就也沒有使用了，就手動稍微調(diào)了一下。
label 設(shè)權(quán)重，對于正樣本給予更高的權(quán)重，訓(xùn)練模型，然后和正常權(quán)重的模型進行融合，在單模型上能夠提升 2-3 個千分點（十分巨大），但是在最后的模型融合是效果很有限（0.0002），而且需要調(diào)整權(quán)重比較麻煩，遂舍棄。
我之前雖然學(xué)過 CS224D 的課程，也做了前兩次的作業(yè)，但是除此之外幾乎從來沒寫過自然語言處理相關(guān)的代碼，能拿第一離不開隊友的支持，和同學(xué)們不斷的激勵。
這次比賽入門對我?guī)椭畲蟮膬善恼率?a target="_blank" rel=nofollow>用深度學(xué)習(xí)（CNN RNN Attention）解決大規(guī)模文本分類問題和 deep-learning-nlp-best-practices
第一篇是北郵某學(xué)長（但我并不認識~）寫的，介紹了許多文本分類的模型（CNN/RNN/RCNN），對我入門幫助很大。
第二篇是國外某博士寫的，當時我已經(jīng)把分數(shù)刷到前三，在家看到了這篇文章，嘆為觀止，解釋了我很多的疑惑，提到的很多經(jīng)驗總結(jié)和我的情況也確實相符。
P.S. 為什么隊伍名叫 init？ 因為git init，linux init，python __init__ 。我最喜歡的三個工具。而且pidof init is 1.
P.S. 歡迎報考北郵模式識別實驗室
最后的最后：人生苦短，快用 PyTorch！
雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
