趙鑫，李正光，吳鏑，方金朋

(大連交通大學(xué) 軟件學(xué)院，遼寧 大連 116028)

0 引言

近年來，特別是社交網(wǎng)絡(luò)的發(fā)展使得用于研究藥物不良反應(yīng)的互聯(lián)網(wǎng)數(shù)據(jù)增長迅速，文本分類成為處理大量文本數(shù)據(jù)的關(guān)鍵技術(shù).文本分類，就是在事先給定的類別標記(label)集合下，根據(jù)文本的內(nèi)容來判斷它的類別，這在自然語言處理中有著廣泛的運用[1].

目前應(yīng)用到文本分類中的算法很多，例如KNN分類算法、樸素貝葉斯分類算法、支持向量機(SVM)，神經(jīng)網(wǎng)絡(luò)、最大熵等，這些方法都是通過淺層神經(jīng)網(wǎng)絡(luò)來實現(xiàn)的，在文本分類中取得了很好的效果.但是它們的局限性表現(xiàn)在對復(fù)雜函數(shù)的表示能力不足，使得對復(fù)雜分類問題的泛化能力不足[2-3].

深度神經(jīng)網(wǎng)絡(luò)的迅速發(fā)展為解決這個問題提供了可能，多層的神經(jīng)網(wǎng)絡(luò)模型不但可以克服這一問題，同時非線性映射的深層結(jié)構(gòu)能夠利用比較少的傳參數(shù)來完成較復(fù)雜的函數(shù)逼近，具備良好的特征學(xué)習(xí)能力.而在深度神經(jīng)網(wǎng)絡(luò)模型中，文本的預(yù)處理以及特征的選擇在很大程度上影響最終分類器的性能.目前大多數(shù)的研究都提取了某一類特征運用于分類任務(wù)中.文獻[4]使用卷積神經(jīng)網(wǎng)絡(luò)和詞向量，加入位置特征，其分類性能超越了傳統(tǒng)方法.但是，不同類型的特征所表征的信息并不相同，僅使用一種特征不能充分利用文本信息.基于此問題，本文提出了一種混合多特征的神經(jīng)網(wǎng)絡(luò)模型，融合詞性特征，情感特征和位置特征作為多通道卷積網(wǎng)絡(luò)的輸入，通過CNN和LSTM模型的特征學(xué)習(xí)，最后利用softmax輸出關(guān)系類型完成分類.

1 方法

1.1 文本預(yù)處理

本文所用的數(shù)據(jù)來自twitter中與藥品相關(guān)的帖子共計6773條推文，預(yù)處理的過程包括：

(1)獲取文檔中的文本信息，即去除文檔中用戶的ID、名稱等信息，去除標點符號以及一些特殊符號(如“ , …”)，并將所有的單詞變?yōu)樾?

(2)構(gòu)建映射表，將每個單詞均映射成數(shù)字，這樣可以將文檔表示成特征向量的形式，每個特征向量對應(yīng)一個單詞.例如，單詞bloody映射成9.

通過以上處理工作，把文本表示成特征向量形式，結(jié)構(gòu)化數(shù)據(jù)，以便于后續(xù)的處理.另外，模型訓(xùn)練時，數(shù)據(jù)集中90%作為訓(xùn)練集，為了加快訓(xùn)練速度以及增加精確度，使用5倍平衡將訓(xùn)練集中正例擴充5倍；剩余的10%作為測試集.

1.2 詞向量模型

詞向量(word vector)也稱為詞嵌入(word embedding)，是詞語的一種分布式表示.每個單詞被表示成一個連續(xù)的實數(shù)值向量，并通過訓(xùn)練使得向量空間的相似度可以表示文本語義的相似度[5].同時，相比較于其他的文本表示方法，例如one-hot、概率主題模型等，詞向量模型包含的語義信息更加豐富[6].本文選用Google在2013年開源Word2Vec作為詞向量訓(xùn)練工具，該工具使用的訓(xùn)練模型是Mikvolov等人[6]在2013年提出的CBOW和skip-gram，并且因為使用簡單，而且效果顯著被廣泛使用.

1.3 特征提取

1.3.1 詞性標注(Part-of-Speech tagging)

通過詞性標注概括文本，可以保存更多的文本信息，而且利用詞性能夠代表某一類文本的特征這一特點，以詞性序列作為文本的特征表示，相較于N-gram特征提取方法也可達到降低特征表示維度的效果[7].文獻[8]提出的詞性標注方法在twitter數(shù)據(jù)上實驗得到將近90%的準確率.本文利用NLP工具Word2Vec自動獲取詞性序列.如圖1所示.

圖1 本文獲取的詞性序列

用工具自動獲取詞性，構(gòu)建詞性-數(shù)字映射表，則上述句子被表示為:[1,2,3,1,4].

1.3.2 情感分析(Sentiment Analysis)

對文本感情色彩的判斷來自于文本中帶有感情色彩的詞語，在特定的文本分類任務(wù)中，不同的感情色彩也影響著分類的精確度.在ADR文本分類中，帶有負面情感的文本屬于ADR的概率更大.文獻[9]提出一種基于監(jiān)督學(xué)習(xí)的方法應(yīng)用到情感分析中，對影評文本進行情感傾向性分類，該研究對之后的情感分析研究有著深遠的影響.

本文使用情感詞典，其中有117個負面情感詞，將情感詞映射為特征向量，與利用語料庫所構(gòu)建詞袋(bag-of-words)中的每個詞所映射的特征向量通過式(1)計算得到情感特征向量.

(1)

1.3.3 位置特征(Position Features)

文本上下文中詞語對關(guān)系實例的描述能力與詞語和關(guān)系實例間相對位置有關(guān).詞語距離關(guān)系實例越近，其對實例的描述能力越強[10].所以詞語的位置特征能夠作為文本分類中有用的特征.求詞語的位置特征有很多選取方法，文獻[11]提出將詞語相對位置的信息增益作為位置特征.

本文使用一種簡單的提取位置特征的計算方法，假設(shè)目標實體(即文本中的藥品名稱)的位置為a，則該實體所在的句子中其余詞相對于實體的位置信息表達為：

(2)

其中,c表示該詞語當前位置，sum表示句子長度.例如：“My doc is going to up my fluoxetine dosages.”，句子中藥品實體為“fluoxetine”，則通過式(2)計算其余詞相對實體的位置，最終句子表示為： [-0.78,-0.67,-0.56, -0.44,-0.33,-0.22,-0.11,0.0,0.11]

2 混合神經(jīng)網(wǎng)絡(luò)模型

2.1 模型搭建

本文提出的多特征混合神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖2所示，不同的特征向量通過不同的CNN模型通道輸入到模型中，經(jīng)過CNN訓(xùn)練之后的結(jié)果經(jīng)過池化層以及merge層的融合連接作為LSTM模型的輸入，最終運用softmax分類器計算輸出向量在類別空間中的置信度分布.

圖2 多通道卷積神經(jīng)網(wǎng)絡(luò)

2.1.1 卷積層

卷積層接收嵌入層輸出的特征向量r，

r=WwdV

其中：Wwd=[W1,W2,…,Wi]∈Rc×v×d是訓(xùn)練好的詞向量矩陣，Wi表示輸入第i通道的特征向量，c為通道，υ為詞典大小，d為詞向量的維度；V∈Rc×n×d表示輸入矩陣，用于之后的卷積層提取特征，n表示輸入句子的最大長度.

卷積核D∈Rc×h×d，h表示卷積核的高度.設(shè)Di×Rh×d表示第i通道卷積核，大小為h×d，Vi[k:k+h-1]表示第i通道第k到k+h-1的向量，b為偏置，f為非線性激活函數(shù)，則卷積mk表示為：

mk=f(Vi[k:k+h-1]·Di+b)

(4)

輸入層矩陣通過式(4)得到卷積后得到一個新的特征C：

C=[m1,m2,m3,…,mn-h+1]

(5)

卷積層提取窗口大小為h的輸入層句子特征，由于輸入層特征不同，可以提取更多新的特征.

2.1.2 Bi-LSTM層

長短時間記憶網(wǎng)絡(luò)(Long Short Term Memory Net-works, LSTM)，一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)，該網(wǎng)絡(luò)能夠解決深度學(xué)習(xí)中RNN梯度消失的問題.CNN模型的輸出經(jīng)過池化層和merge層融合連接之后作為LSTM模型的輸入.LSTM 的模型由專門的記憶存儲單元組成，經(jīng)過精心設(shè)計的輸入門、遺忘門和輸出門來控制各個記憶存儲單元的狀態(tài)，通過門的控制保證了隨著隱藏層在新的時間狀態(tài)下不斷疊加輸入序列，前面的信息能夠繼續(xù)向后傳播而不消失.

利用形式化語言，LSTM可以表述為：

其中，δ表示激活函數(shù)sigmod；W*,U*,V*,b*分別表示系數(shù)矩陣和偏置向量；it,ft,ot分別表示t時刻輸入門、遺忘門和輸出門的計算方法，ct表示t時刻記憶單元計算方法，表示t時刻LSTM單元的輸出.

另外，單向LSTM只能參考輸入序列的上文信息，而對下文信息并無涉及為了解決這一缺點，充分利用上下文信息，所以構(gòu)建了雙向的LSTM(簡稱Bi-LSTM)，對每個訓(xùn)練序列分別訓(xùn)練一個正向LSMT網(wǎng)絡(luò)和一個反向LSTM網(wǎng)絡(luò)，并且在同一個輸出層輸出，這樣能夠充分捕獲輸入序列每個點的上下文信息.

2.2 模型訓(xùn)練

在訓(xùn)練過程中有幾個參數(shù)需要調(diào)整：多通道詞向量矩陣Wwd，多通道卷積核D，轉(zhuǎn)移矩陣W，以及偏移量b，有θ=(Wwd,D,W,b)， 使用式(11)作為損失函數(shù)：

(11)

yi為輸入xi的標簽，L表示每次訓(xùn)練的樣本數(shù)量.在訓(xùn)練參數(shù)時使用梯度下降最小化損失函數(shù)，使用式(12)更新梯度：

另一方面，為了減少固定學(xué)習(xí)率λ造成的不穩(wěn)定的損失，使用adam算法改進每個訓(xùn)練步驟中梯度下降參數(shù).

3 實驗結(jié)果及分析

模型訓(xùn)練各個超參數(shù)設(shè)置如下:卷積核個數(shù)為128；卷積核高度為3，4，5；步長為1；激活函數(shù)為Relu；池化窗口大小為5.為了驗證多通道模型可以提高關(guān)系抽取的性能，進行對比試驗，實驗分別設(shè)置為只使用位置特征，只使用詞性特征，只使用情感特征以及同時使用三通道，其他參數(shù)保持一致.

圖3 迭代次數(shù)對比

圖3所示為四種模型迭代次數(shù)的對比，從圖中可以看出多通道模型(Muti)迭代次數(shù)明顯少于詞性模型(POS)和情感特征模型(Sentiment)的迭代次數(shù)，而與位置特征(Position)的迭代次數(shù)相差不大，說明多通道模型可以加快收斂，使訓(xùn)練速度大大提升.

表1為單個特征模型和多通道模型結(jié)果，通過對比得出：

(1)不同的特征向量訓(xùn)練得出的結(jié)果有差別，說明不同的特征帶有不同的信息;

(2)使用多通道將各個特征向量融合后訓(xùn)練結(jié)果優(yōu)于使用單一特征向量的訓(xùn)練結(jié)果.

表1 模型訓(xùn)練結(jié)果

為了證明本文所提出的模型有較好的識別效果，表2列舉了幾個分類模型作為對比.

表2 模型對比

其中,FastText模型利用n元組(bag-of-n-gram)將特征轉(zhuǎn)化為低維向量空間，這樣可以通過分類算法實現(xiàn)不同特征共享[13]；Supervised CNN使用上下文語境作為默認參數(shù)訓(xùn)練CNN模型；ADR Classifier是一個較先進的二分類模型，識別短文本是否為藥物不良反應(yīng)(ADR)文本[14]；而Multi-CNN為本文提出的模型，通過對比可知，本文所提模型無論從準確率，召回率還是F值上都略高于其余模型，證明本文所提模型的有效性與先進性.

4 結(jié)論

本文提出一種多通道網(wǎng)絡(luò)模型，該模型用于生物醫(yī)學(xué)的實體關(guān)系抽取中，使用word2vec訓(xùn)練工具提取特征向量并應(yīng)用到多通道模型中，從而可以增加表征信息.通過實驗對比得知，多通道模型在生物醫(yī)學(xué)的實體關(guān)系抽取中表現(xiàn)突出.在未來的工作中，可以嘗試更多的特征融合到多通道中，比如依存句法樹等.另外可以使用GloVe作為詞向量提取特征向量.GloVe是由斯坦福大學(xué)Pennington等人[15]提出的，模型構(gòu)造了一個全局的詞共現(xiàn)矩陣，是基于計數(shù)的方法，從而可以利用全局統(tǒng)計信息，更多的考慮了全局的信息.所以使用GloVe在多通道模型關(guān)系抽取中有很大的研究價值.