干货 | 只有100个标记数据，如何精确分类400万用户评论？

在本文中，我们将介绍自然语言处理（NLP）在迁移学习上的最新应用趋势，并尝试执行一个分类任务：使用一个数据集，其内容是亚马逊网站上的购物评价，已按正面或负面评价分类。然后在你可以按照这里的说明，用你自己的数据重新进行实验。在数据标记成本高数量少的情况下，这个通用语言微调模型可以大幅降低你的NLP任务训练时间和成本。

迁移学习模型的思路是这样的：既然中间层可以用来学习图像的一般知识，我们可以将其作为一个大的特征化工具使用。下载一个预先训练好的模型（模型已针对ImageNet任务训练了数周时间），删除网络的最后一层（完全连接层），添加我们选择的分类器，执行适合我们的任务（如果任务是对猫和狗进行分类，就选择二元分类器），最后仅对我们的分类层进行训练。

由于我们使用的数据可能与之前训练过的模型数据不同，我们也可以对上面的步骤进行微调，以在相当短的时间内对所有的层进行训练。

除了能够更快地进行训练之外，迁移学习也是特别有趣的，仅在最后一层进行训练，让我们可以仅仅使用较少的标记数据，而对整个模型进行端对端训练则需要庞大的数据集。标记数据的成本很高，在无需大型数据集的情况下建立高质量的模型是很可取的方法。

迁移学习NLP的尴尬

目前，深度学习在自然语言处理上的应用并没有计算机视觉领域那么成熟。在计算机视觉领域中，我们可以想象机器能够学习识别边缘、圆形、正方形等，然后利用这些知识去做其他事情，但这个过程对于文本数据而言并不简单。

最初在NLP任务中尝试迁移学习的趋势是由“嵌入模型”一词带来的。

实验证明，事先将预先训练好的词向量加入模型，可以在大多数NLP任务中改进结果，因此已经被NLP社区广泛采用，并由此继续寻找质量更高的词/字符/文档表示。与计算机视觉领域一样，预训练的词向量可以被视为特征化函数，转换一组特征中的每个单词。

不过，词嵌入仅代表大多数NLP模型的第一层。之后，我们仍然需要从头开始训练所有RNN / CNN /自定义层。

高阶方法：微调语言模型，在上面加一层分类器

今年早些时候，Howard和Ruder提出了ULMFit模型作为在NLP迁移学习中使用的更高级的方法。

论文地址：https://arxiv.org/pdf/1801.06146.pdf

他们的想法是基于语言模型（Language Model）。语言模型是一种能够根据已经看到的单词预测下一个单词的模型（比如你的智能手机在你发短信时，可以为你猜测下一个单词）。就像图像分类器通过对图像分类来获得图像的内在知识一样，如果NLP模型能够准确地预测下一个单词，似乎就可以说它已经学会了很多关于自然语言结构的知识。这些知识可以提供高质量的初始化状态，然后针对自定义任务进行训练。

ULMFit模型一般用于非常大的文本语料库（如维基百科）上训练语言模型，并将其作为构建任何分类器的基础架构。由于你的文本数据可能与维基百科的编写方式不同，因此你可以对语言模型的参数进行微调。然后在此语言模型的顶部添加分类器层，仅仅对此层进行训练。

Howard和Ruder建议向下逐层“解冻”，逐步对每一层进行训练。他们还在之前关于学习速度（周期性学习）的研究成果基础上，提出了他们自己的三角学习速率（triangular learning rates）。

用100个标记数据，达到用20000个标记数据从头训练的结果

这篇文章得出的神奇结论是，使用这种预训练的语言模型，让我们能够在使用更少的标记数据的情况下训练分类器。尽管网络上未标记的数据几乎是无穷无尽的，但标记数据的成本很高，而且非常耗时。

下图是他们从IMDb情感分析任务中报告的结果：

该模型只用了100个示例进行训练，错误率与20000个示例从头到尾进行完全训练的模型相仿。

此外，他们在文中还提供了代码，读者可以自选语种，对语言模型进行预训练。由于维基百科上的语言多种多样，因此我们可以使用维基百科数据快速完成语种的转换。众所周知，公共标签数据集更难以使用英语以外的语言进行访问。在这里，你可以对未标记数据上的语言模型进行微调，花几个小时对几百个至几千个数据点进行手动标注，并使分类器头适应您预先训练的语言模型，完成自己的定制化任务。

为了加深对这种方法的理解，我们在公共数据集上进行了尝试。我们在Kaggle上找了一个数据集。它包含400万条关于亚马逊产品的评论，并按积极/消极情绪（即好评和差评）加上了标记。我们用ULMfit模型对这些评论按好评/差评进行分类。结果发现，该模型用了1000个示例，其分类准确度已经达到了在完整数据集上从头开始训练的FastText模型的水平。甚至在仅仅使用100个标记示例的情况下，该模型仍然能够获得良好的性能。

所以，语言模型了解的是语法还是语义？

我们使用ULMFit模型进行了监督式和无监督式学习。训练无监督的语言模型的成本很低，因为您可以在线访问几乎无限数量的文本数据。但是，使用监督模型就很昂贵了，因为需要对数据进行标记。

虽然语言模型能够从自然语言的结构中捕获大量相关信息，但尚不清楚它是否能够捕捉到文本的含义，也就是“发送者打算传达的信息或概念”或能否实现“与信息接收者的交流”。

我们可以这样认为，语言模型学到的更多是语法而不是语义。然而，语言模型比仅仅预测语法的模型表现更好。比如，“I eat this computer“（我吃这台电脑）和“I hate this computer”（我讨厌这台电脑），两句话在语法上都是正确的，但表现更优秀的语言模型应该能够明白，第二句话比第一句话更加“正确”。语言模型超越了简单的语法/结构理解。因此，我们可以将语言模型视为对自然语言句子结构的学习，帮助我们理解句子的意义。

由于篇幅所限，这里就不展开探讨语义的概念（尽管这是一个无穷无尽且引人入胜的话题）。如果你有兴趣，我们建议你观看Yejin Choi在ACL 2018上的演讲，深入探讨这一主题。

微调迁移学习语言模型，大有前景

ULMFit模型取得的进展推动了面向自然语言处理的迁移学习研究。对于NLP任务来说，这是一个激动人心的事情，其他微调语言模型也开始出现，尤其是微调迁移语言模型（FineTuneTransformer LM）。

我们还注意到，随着更优秀的语言模型的出现，我们甚至可以完善这种知识迁移。高效的NLP框架对于解决迁移学习的问题是非常有前景的，尤其是对一些常见子词结构的语言，比如德语，经过词级训练的语言模型的表现前景非常好。

原文发布时间为：2018-09-2

本文来自云栖社区合作伙伴“数据派THU”，了解相关信息可以关注“数据派THU”。