文本分类中的一些经验和 tricks
最近在总结之前做的文本分类实验的一些经验和 tricks，同时也参考了网上的一些相关资料(见文末)，其中有些 tricks 没尝试过，先在这里记下，或者日后能用上。
这里的经验和 tricks 大概可分为两部分：预处理部分和模型训练部分，下面分别介绍
预处理
文本更正，主要是将文本标准化，包括繁体转简体，全角转半角，拼音纠错等
文本泛化，如一个手机号码，因为有几千万的手机号码，不可能为每个手机号码设一个特征，所以最好将手机号码转化为同一个特征；另外表情符号、人名、地址、网址、命名实体等也要考虑这种泛化，泛化的程度这个视具体的任务，比如说地址可以以国家为粒度，也可以以省份为粒度
规范文本为统一长度时，取所有长度的均值或者中位数，但是别取最大值；截断时根据具体任务考虑从前面阶段或从后面截断
构建数据集的 vocabulary 时，需要考虑以下几个方面
- 取前N个高频词或者过滤掉出现次数小于某个阈值的词
- 根据具体任务确定是否需要去掉 stop words
- 假如采用了预训练的词向量，要尽可能让 vocabulary 中的词语能找到对应的词向量(这个问题也涉及到预训练的词向量和分词器的选择)
词向量的选择，当数据集较小时，直接使用预训练好的词向量（如google、facebook开源的），且不用微调；当训练集比较大的时候，可随机初始化进行训练，也可以对预训练的词向量进行微调（微调收敛得更快，但是结果差异不大）
分词时考虑以下几个方面
- 是否需要分词，使用 char-level 的方法时不需要分词，但是在很多场景下 word-level 的效果都要比 char-level 的要好
- 分词时可以只保留长度大于1的词(会去除很多停止词)，对结果精度没什么影响，但是可以有效降低特征维度
- 采用预训练的词向量时，要保证分词后的大部分词语能够出现在预训练的词向量表中，否则这个词语的 embedding 就相当于是随机初始化，预训练的词向量没有提供任何信息；具体方法可参考这里
数据增强
- 常见的方法有：drop(随机删掉文本)、shuffle(随机改变文本顺序)、replace(用近义词进行替换)
- 数据增强对 word-level 的方法有一定的提升，但是对于 char-level 的方法效果不一定好，甚至会起到反作用
模型训练
规则有时能解决大部分的问题，不一定要用到模型，使用时要权衡模型带来的收益和复杂性
传统的机器学习方法根据其特征工程的不同可分为三大类
- 词袋模型：将出现的词记为1，否则记为 0，问题是维度高且稀疏性严重
- 向量空间模型：根据文档频率、互信息、信息增益、χ²统计量等进行了特征(词语)的选择，同时通过 tfidf 值为每个词赋权重；一定程度上缓解了上面提到的词袋模型维度高且稀疏性严重的问题
- 主题模型：pLSA/LDA/HDP 等主题模型将文本表示低维实数向量，类似于深度学习中的 embedding，但是比 embedding 有更好的解释性
fasttext 简单、速度快，是一个非常不错的 baseline；随着问题复杂性增加可依次尝试 CNN -> RNN -> BERT
对于深度学习模型，把模型变得更深更宽更复杂往往能够提升效果；但是当模型复杂到一定程度的时候，提升的效果微乎其微甚至没提升
rnn 类模型用双向一般会比单向要好
使用 dropout(经验值为 0.5) 基本都能提升效果，使用的地方包括：embedding 层后、FC层后
训练震荡问题：增加随机采样因素尽可能使得数据分布 iid，默认 shuffle 机制能使得训练结果更稳定。如果训练模型仍然很震荡，可以考虑调整学习率 或
mini_batch_size采用预训练的 embedding 并进行 finetune 时，在最开始 embedding 的学习率设为 0，训练到效果较好时才开始 finetune embedding 层
学习率的设置考虑以下几个方面
- 经验值一般为 1、0.1、0.01、0.001, 一般从1开始尝试。很少见学习率大于10的
- 学习率一般要随着训练进行衰减，衰减系数一般是0.5；衰减时机可以是验证集准确率不再上升，或固定训练 N 个 epoch 后
- 比起自定义的衰减方法，更便捷的方法是使用自适应梯度的办法，例如 adam,adadelta,rmsprop 等，这些一般使用相关论文提供的默认值即可，可以避免再费劲调节学习率
- 对RNN来说，如果要处理的序列比较长，或者RNN层数比较多，那么learning rate一般小一些比较好，否则有可能出现结果不收敛，甚至Nan等问题。
模型融合时，差异性越大，融合效果越好，具体可参这里
参考