一种深度学习的信息文本分类算法

摘要：针对传统文本分类算法准确率低和正确率分布不均匀的问题，提出了基于深度学习的文本分类算法。深度信念网络具有强大的学习能力，可以从高维的原始特征中提取高度可区分的低维特征，不仅能够更全面的考虑到文本信息量，而且能够进行快速分类。采用TFIDF方法计算文本特征值，利用深度信念网络构造分类器进行精准分类。实验结果表明，与支持向量机、神经网络和极端学习机等常用分类算法相比，该算法有更高的准确率和实用性，为文本的分类研究开拓了新思路。

关键词：文本分类；深度信念网络；分类器

DOI：1015938/jjhust201702020

中图分类号： TP181

文献标志码： A

文章编号： 1007-2683（2017）02-0105-07

Abstract：Aiming at the problem of low categorization accuracy and uneven distribution of the traditional text classification algorithms， a text classification algorithm based on deep learning has been put forward Deep belief networks have very strong feature learning ability， which can be extracted from the high dimension of the original feature， so that the text classification can not only be considered， but also can be used to train classification model The formula of TFIDF is used to compute text eigenvalues， and the deep belief networks are used to construct the classifier The experimental results show that compared with the commonly used classification algorithms such as support vector machine， neural network and extreme learning machine， the algorithm has higher accuracy and practicability， and it has opened up new ideas for the research of text classification

Keywords：text classification； deep belief network； classifier

0引言

文本分是根据提前建立好的分类器[1-2]，让计算机对给定的未知类别的文本集进行分类的过程[3]。一个完整的文本分类过程主要包括以下几个部分：首先是文本预处理，将文本表示成易于计算机处理的形式；其次是文本向量表示；再次是根据训练集（具有类标签）学习建模，构建出分类器；最后利用测试集测试建立好的分类器的性能，并不断反馈、学习提高该分类器性能，直至达到预定的目标。

常用的文本分类算法包括SVM（support vector machine，支持向量机） [4]，BP（back propagation） 神经网络[5-6]、ELM（extreme learning machine，极端学习机）算法[4]等[7]，这些方法往往存在着有限样本或局部最优及过学习问题[2]，并且这些方法为了避免维度灾难通常对数据做降维处理，此时得到的结果并不能很好的反应文本的特征，最终导致分类准确率低下。因此，本文主要研究如何文本分类的准确率和效率。

目前国内对于文本分类的研究比较少，因此如何提高文本分类的准确率，是一项重要的研究内容[8] 。

深度学习是通过构建具有多个隐层的机器学习模型组合低层特征形成更加抽象的高层特征来表示属性类别，以发现数据的分布式特征[9]。深度学习具有很强大的自我学习挖掘特征的能力，可以得到最接近数据本质的表达和模式，能够极大的提高预测、分类等性能[10]。2006年，Geoffrey Hinton提出深度信念网络（deep belief network，DBN） [11]。它是一种概率生成模型，通过训练其神经元间的权重可以让整个网络按照最大概率来生成训练数据，从而实现特征识别和数据分类。

深度信念网络由多层神经网络构成，且这些结构之间均是非线性映射的，这使得它可以很好的完成复杂函数的逼近，从而实现快速的训练。此外，深度信念网络输入数据的重要驱动变量是通过贪心算法逐层训练每一层网络得到的，学习过程中既保证了数据本质特征的抽取，同时也避免了过拟合现象的出现。

基于上述原因，提出了基于深度学习的文本分类算法。首先，利用中科院中文分词系统对文本进行预处理；其次，使用TFIDF（Term FrequencyCInverse Document Frequency）公式计算文本分词的特征值，构成初始特征矩阵[12]；然后，利用DBN良好的特征学习能力，从原始的高维特征中自动提取出高度可区分的低维特征；最后，将得到的特征输入 softmax回归分类器实现分类。

1关键技术

11文本的获取

手动建立文本库，在网络上大量搜集资料汇总，总结出5类文本：花、树木、虫、土壤、水类文本，同样本文研究的算法也适用于其他类型的文本，本文选取的实验样本如图1～3所示（经过分词后的文本）[13]。

从所获得的数据可知，不同类别的样本含有一些可将该类文本与其他类别文本区分开的特征词。由图2可看出花类文本中，典型特征词有花、花蕊、花柄等专业性术语[13]；由图2可看出虫类文本中，含有的关键特征词包括虫、触角、尾须等。由图3可看出土壤类文本中，含有的关键特征词包括土、土壤、肥力等。树木类、水类文本含有的典型特征词显然也同样如此。

通过ICTCLAS系统（institute of computing technology， chinese lexical analysis system）对初始文本进行分词和去停用词，从而得到实验所需的文本特征词，然后使用经典的TFIDF公式计算特征词的权值，构成文本初始特征矩阵进行实验[13]。

12文本表示

假设所有的文本共有n个特征，形成n维的向量空间，每一个文本d可用n维的特征向量来表示：

13文本分类算法

传统的支持向量机算法、BP神经网络算法等受样本影响较大，因此不同样本分类的正确率差异较大，基于深度学习的文本分类算法实验得到了较好的效果，分类结果精准并且正确率分布均匀[8]。

使用深度信念网络进行文本分类主要包括两个过程：DBN预训练和网络调优。其他的分类算法为了避免维度灾难往往需要对数据进行降维处理，DBN可以自动从高维的原始特征中提取高度可区分的低维特征，因此不需要对数据进行降维就可以直接开始训练分类模型，同时也考虑了文本足够的信息量。在调优DBN的过程中，可以利用DBN的权值初始化BP神经网络的各层的权值，而不是利用随机初始值初始化网络，将DBN展开成BP神经网络，最后利用 BP 算法微调优整个网络的参数，从而使得网络的分类性能更优，这个措施使DBN克服了BP网络因随机初始化权值参数而容易陷入局部最优的缺点。

131DBN预训练

深度信念网络是一种深层非线性的网络结构，它通过构建具有多个隐层的模型来组合低层特征形成更加抽象的高层特征[9]来挖掘数据特征实现文本分类。假设S是一个系统，它包含有n层（S1，S2，…，Sn），若输入用I表示，输出用O表示，则可表示为：I≥S1≥S2≥…≥Sn≥O，不断调整系统中的参数，使得系统的输出仍然是输入I，那么我们就可以自动得到输入I的层次特征，即S1，S2，…，Sn。DBN（深度信念网络）是一个概率生成模型，它建立了观测数据和标签之间的联合分布[15]。

DBN是由一层层的RBM（restricted boltzmann machine，受限玻尔兹曼机）不断堆叠而成的。RBM 是一种典型的神经网络，如图4所示。

RBM网络共有2层，其中第一层称为可视层，一般来说是输入层，另一层是隐含层，也就是我们一般指的特征提取层。该网络可视层和隐层中神经元彼此互联，隐层单元被训练去捕捉可视层单元所表现出来的数据的高阶相关性[2]。图4中wn×m为可视层与隐层之间的权重矩阵；b为可视层节点的偏移量；c为隐层节点的偏移量；v为可视层节点的状态向量；h为隐层节点的状态向量。

在训练DBN时，采用贪婪法逐层训练每一层的RBM。前一层的RBM训练完成后，将其结果作为下一层RBM的输入来训练该层RBM，以此类推训练完若干RBM，从而构建完整的DBN网络，其网络结构如下图5所示[2]。

RBM的训练过程，实际上是求出一个最能产生训练样本的概率分布。也就是说，要求一个分布，在这个分布里，训练样本的概率最大。由于这个分布的决定性因素在于权值w，所以我们训练RBM的目标就是寻找最佳的权值。

Hinton[16]提出了一种快速算法，称作对比分歧（contrastive divergence，称CD算法）算法。这种算法只需迭代k次，就可以获得对模型的估计，而k通常等于1。CD算法开始是用训练数据去初始化可视层，然后用条件分布计算隐层；然后，再根据隐层用条件分布来计算可视层。这样产生的结果就是对输入的一个重构。具体来说，在这个训练阶段，在可视层会产生一个向量v，通过它将值传递到隐层。反过来，可视层的输入会被随机的选择，以尝试去重构原始的输入信号。最后，这些新的可视的神经激活单元将前向传递重构隐层激活单元，获得h。这些步骤就是我们熟悉的Gibbs采样，权值更新的主要依据是隐层激活单元和可视层输入之间的相关性差别。根据CD算法：

DBN的预训练过程：

1）用贪婪算法训练第一个RBM；

2）固定第一个RBM的权值和偏置值，将其结果的输出作为较上一层RBM的输入；

3）重复以上步骤任意多次，直到重构误差尽可能的小，此时隐藏层可作为可视层输入数据的特征；

DBN预训练算法具体步骤如下：

输入：训练样本x0，可视层与隐藏层单元个数n，m ，学习率ε，最大训练周期T；

输出：权重矩阵w，可视层偏置量a，隐藏层偏置量b；

步骤 1：初始化可视层单元初始状态v1=x0，W，a，b为随机较小的数字；

步骤 2：迭代训练周期t；

步骤3：通过可视层v1计算隐层h1，具体为循环计算P（h1j=1|v1）值，并以该概率值为隐藏层第j个单元取值为1的概率；

步骤4：通过隐藏层h1计算可视层v2 ，具体为循环计算P（v2i=1|h1）值，并以该概率值为可视层第i个单元取值为1的概率；

步骤 5：通过可视层v2计算可视层h2 ，具体为循环计算P（h2j=1|v2）值，并以该概率值为可视层第j个单元取值为1的概率；

步骤 6：更新参数W，a，b

步骤 7：判断是否达到迭代次数，是转到步骤8，否转到步骤2；

步骤 8：输出参数w，a，b结束；

132W络调优

在确定了网络的各个权值后，再次根据样本，以BP神经网络的算法，进行一次有监督的学习过程，这一过程被称为深度信念网络的调优。如下图6所示。

在DBN的最后一层设置BP网络，接收RBM的输出特征向量作为它的输入特征向量，有监督地训练分类器，然而每一层RBM只能确保自身层内的权值对该层特征向量映射达到最优，并不是对整个DBN的特征向量映射达到最优。BP算法可以利用反向传播网络将错误信息自顶向下传播至每一层RBM来调整整个DBN网络，提高该网络的分类性能。

2实验结果

实验首先针对文本进行样本选择，如表1所示。

表1所示，实验选取5个类别：花、树木、虫、土壤、水。训练样本每个类别选取1200个，共6000个。对训练样本加高斯白噪声处理得到测试样本，每个类别选取200个，共1000个测试样本，样本总数7000个。

对样本预处理之后使用TFIDF方法计算文本特征词的权值，构成训练样本的初始特征值矩阵，然后对训练样本的初始特征值矩阵加高斯白噪声获得测试样本初始特征值矩阵，最后进行分类操作。如图7所示为基于深度学习的文本分类的流程图。

实验过程中，训练和测试样本初始特征矩阵维数均为1127维，文本类别总数K=5。初始化参数，DBN网络的节点数分别为1127-1700-1000-25-5，共5层。从图8中可以看出随着深度学习迭代次数的增加，目标函数的值（也即重构方差的值）在不断地递减，逐渐接近最优值01。此外，在更新过程中，我们可以看到err（重构的方差）明显在递减，最开始有40000多（总共1127维，可见最开始重构非常差），但最后只有01的err，说明最后重构已经比较准确，非常接近原始数据的分布状态。

表2为DBN算法的迭代次数所对应的重构方差数据。由表2可见，在隐层节点数一定时，随着迭代次数的增加，可以降低算法的误差，但是迭代次数越多，训练时间也越久。在隐含层节点数为1700-1000-25时，迭代次数为20时，DBN达到重构方差最小值01，并且趋于稳定。所以此时训练时间最短，分类性能最好。

表3为实验的训练时间和实验误差对比，由表3可见，DBN与极端学习机算法的测试误差率较低，分类结果比较理想，但是DBN优于ELM，它以牺牲时间为代价提高了分类的准确率。

为了对比基于深度信念网络的分类效果，我们选取相同数量的样本，每类样本各200个，总共1000个测试样本，为了避免维度灾难，使用PCA（主成分分析）的方法处理初始特征矩阵，得到降维后的特征矩阵，然后再用SVM、BP、ELM、这三种方法进行分类。其中BP采用是3层的网络结构，节点数分别为213-12-5，迭代200次。使用libsvm311工具箱，进行SVM实验。ELM选择隐层数为40，迭代次数20[17]。 结果如图9所示，横坐标代表样本数目，纵坐标代表分类器分类的正确率。

由图9可以看出，SVM、BP、ELM、DBN这4种分类算法在处理5种类别文本时所得到的分类正确率。SVM分类时性能比较不稳定，5类样本准确率分布不均匀，BP和ELM分类时性能较稳定，5类样本的分类正确率比较均匀且数值都较高，但是从图9中明显可以看出DBN分类性能更优。

图10是四种分类算法随着文本数量的递增所显示的分类正确率，横坐标代表文本的测试样本个数，纵坐标代表分类器分类的正确率。本实验五类样本随机各选取10个，合计50个样本，从图10中可看出，每种分类算法是在对第几个样本分类时判断错误，也即分类算法的分类正确率的转折点，对比实验结果可知4种分类算法中DBN算法分类性能较高。

使用1000个测试样本，4种分类方法正确率对比结果如图11所示，该图可以看出每个分类器的分类效果。图11横坐标代表测试样本的数目，纵坐标代表分类的正确率。

采用相同的训练样本与测试样本，使用SVM、BP、ELM这3种分类算法与DBN分类算法作对比，这4种算法实验结果如表4所示。

由实验结果可知，本文提出的基于深度学习的文本分类算法能够实现对上面5类文本的准确分类，分类效果比基于BP、SVM、ELM的分类算法更好，并且基于深度学习的文本分类算法不需要对数据进行降维处理就可自动从高维的原始特征中提取出高度可区分的低维特征，显著提高了分类的效率[18]。此外，当样本数量达到上万时，基于BP、SVM、ELM的分类算法由于样本过多容易产生“过拟合”情况导致分类效果变差，但是DBN在面对大数据时表现出了极强的优势，不但可以考虑到文本更为全面的信息量，而且还可以快速训练分类模型，提高分类效率[19-20]。

3结语

基于深度学习的文本分类算法，文本特征的表达通过TFIDF方法计算权值后得到文本的初始特征矩阵来实现，之后进行DBN训练来构建分类器，并通过对其优化来实现文本的快速精准分类。实验结果表明文本的分类可采用深度学习的算法，分类正确率明显高于BP、SVM、ELM分类算法，为文本分类提供了新思路[8]。

参 考 文 献：

[1]陈宇，许莉薇基于高斯混合模型的林业信息文本分类算法[J]. 中 南 林 业 科 技 大 学 学 报，2014，34（8）：114-119

[2]陈翠平基于深度信念网络的文本分类算法[J].计算机系统应用，2015，24（2）：121-126

[3]张浩，汪楠文本分类技术研究进展[J].计算机与信息技术，2007，23（1）：95-96

[4]柳长源，毕晓君，韦琦基于向量机学习算法的多模式分类器的研究及改进[J].电机与控制学报，2013，17（1）：114-118

[5]李东洁，李君祥，张越，等基于 PSO 改进的BP神经网络数据手套手势识别[J].电机与控制学报，2014，18（8）：87-93

[6]仲伟峰，马丽霞，何小溪PCA和改进BP神经网络的大米外观品质识别[J].哈尔滨理工大学学报，2015，20（4）：76-81

[7]李军，乃永强基于ELM的机器人自适应跟踪控制[J].电机与控制学报，2015，19（4）：106-116

[8]陈宇，王明月，许莉薇基于DEELM的林业信息文本分类算法[J].计算机工程与设计，2015，36（9）：2412-2431

[9]朱少杰基于深度学习的文本情感分类研究[D].哈尔滨：哈尔滨工业大学，2014

[10]刘树春 基于支持向量机和深度学习的分类算法研究[D].上海：华东师范大学，2015

[11]HINTON GE，SALAKHUTDINOV RR Reducing the Dimensionality of Data with Neural Networks[J].Science，2006，313（5786）：504-507

[12]戚孝铭基于蜂群算法和改进KNN的文本分类研究[D].上海：上海交通大学，2013

[13]陈宇，许莉薇 基于优化LM模糊神经网络的不均衡林业信息文本分类算法[J]. 中 南 林 业 科 技 大 学 学 报，2015，35（4）：27-59

[14]段江丽基于SVM的文本分类系统征选择与权重计算算法的研究[D].太原：太原理工大学，2011

[15]陈勇，黄婷婷，张开碧，等结合Gabor特征和深度信念网络的人脸姿态分类[J]. 半导体光电，2015，36（5）：815-819

[16]HINTON GE， OSINDERO S， TEH Y A Fast Learning Algorithm for Deep Belief Nets[J].Neural Computation，2006，18（7）：1527-1554

[17]唐晓明，韩敏一种基于极端学习机的半监督学习方法[J].大连理工大学学报，2010，50（5）：771-776

[18]BENGIO YLearning deep architectures for Al[J].Foundations and Trends in Machine Learning，2009，2（1）：1-127

[19]侯思耕基于主}模型和深度置信网络的文本分类方法研究[D].昆明：云南大学，2015

[20]鲁铮基于TRBM算法的DBN分类网络的研究[D].长春：吉林大学，2014