2017 知乎看山杯从入门到第二

雷锋网按：本文原作者MagicBubble，原载于知乎专栏人工智障的深度瞎学之路。雷锋网已获得作者授权。

利用一个暑假的时间，做了研究生生涯中的第一个正式比赛，最终排名第二，有些小遗憾，但收获更多的是成长和经验。我们之前没有参加过机器学习和文本相关的比赛，只是学过一些理论基础知识，没有付诸过实践，看过的几篇论文也多亏前辈的分享（一个是用深度学习（CNN RNN Attention）解决大规模文本分类问题 - 综述和实践，另一个是 brightmart 的 text_classification，里面用 Keras 实现了很多文本分类的模型）。这些为我们的入门打下了良好的基础，在比赛过程中也是反复研读和实践，在此感谢两位前辈的无私分享。

先放一波链接：

• 比赛网址：https://biendata.com/competition/zhihu/

• 比赛源码：https://github.com/Magic-Bubble/Zhihu

• 比赛结果：https://zhuanlan.zhihu.com/p/28912353

下面对在这次比赛中用到的方法和收获的经验，做一个简单的总结和分享。

用单模型探索数据的极限

1. 任务

• 典型的文本多标签分类问题，根据用户在知乎上发布的问题标题及描述，判断它属于哪几个话题

• 训练数据给出了 300 万问题及其话题的绑定关系，话题标签共有 1999 个，有父子关系，构成有向无环图

• 要求对未标注的数据预测其最有可能绑定的 Top5 话题标签

• 评测采用准确率与召回率的调和平均，准确率的计算按照位置加权，越靠前的分数越高（具体见评测方案）

2. 数据

比赛提供的数据是 300 万问题和话题的标题（下称 title）及描述（下称 desc），分别有对应的字序列（下称 char）和词序列（下称 word），全部是以 id 的形式给出。这意味着我们是看不到原始文本的，所以对于 badcase 的分析也很困难，但好在其数据量够大（2 亿多词，4 亿多字），还是可以用深度学习来做。知乎官方也提供了训练好的 embedding（维度 256），字级别和词级别的都有，但是是分开训练，不属于同一个语义向量空间。

坊间常说：数据和特征决定了机器学习的上限，而模型和算法知识逼近这个上限而已。对于深度学习，因为不存在特征工程，所以数据处理就至关重要了。而良好且合理的数据处理离不开系统详细的数据分析，要知道数据是什么样，数据怎么分布，才能更好地选择模型和训练方式。

2.1 数据分析

这里主要是对问题的 title 和 desc 做长度分析，更为详细的分析见数据分析

首先是问题 title 的字词长度分布：

其次是问题 desc 的字词长度分布：

2.2 预处理

• 随机 shuffle 后以 9:1 的比例划分线下验证集和训练集，防止数据周期的影响

• 对于 embedding 矩阵中未出现的词，添加，并用 - 0.25~0.25 初始化，千万不能扔掉，这样会破坏前后的语义关系

• 对于 title 和 desc，分别根据其平均长度 * 2，做截断和补齐至长度一致，便于 batch 输入网络训练

3. 模型

参照 brightmart 的 github 开源，我们尝试了前 5 种模型，分别是 FastText、TextCNN、TextRNN、RCNN、HAN

其中，HAN 的原始论文中用的是词和句子两层 Attention，而数据中是看不出句子的，所以这个方法我只用了一层 word，效果不好。而 RCNN 因为同时用到了 RNN 和 CNN 的思想，所以整个网络的训练时间很长，且其效果与单独的 RNN 和 CNN 差不多，因此后期没有使用此模型。最终用到的模型有：

• FastText：通过 Average 抽象出概括性语义信息

• TextCNN：仿照 n-gram 捕捉局部语义信息

• TextRNN：提取序列语义信息

3.1 单模型 Score

因为没有花很多时间在单模型调参训练上，所以最终单 Model 的分数普遍偏低，约比别的队伍低 0.5~1 个百分点。

3.2 核心思路

这是我们这次参赛的一大亮点和创新点，就是成功地在深度学习上应用了一种类似于 AdaBoost 的做法，通过训练多层来不断修复前面层的偏差。我们在分析数据的时候发现，一个模型的输出是具有类别倾向性的，所以在某些类别上可能全对，而在某些类别上可能全错，所以我们针对这种偏差做了一些改进，通过人为地定义偏差的计算方式，指导下一层模型更多关注那些错的多的类，从而达到整体效果的提升。

通过用这种方法，单模型 Score 有了质的飞跃，平均提升都在 1.5 个百分点（FastText 因模型过于简单，提升空间有限），而 10 层的 RNN 则更是在用全部训练集 finetune 之后，分数直接从 0.413 飙升到 0.42978，可谓真是用单模型探索数据的极限了。

这种方法的优势在于，一般只要不断加深训练层数，效果就会提升，但缺点却在于它抹平了模型的差异性，对于模型融合效果不友好。

3.3 模型融合

模型融合依靠差异性，而我们模型的差异性在前面已经近乎被抹平，所以又另寻他路，用了另外两个方法：

• 改变输入，从 word 改成 char，虽然 char 的单模型效果不好，但总体融合却能提升很多

• 人为定义不同的偏差计算方式

最终模型主要是 5 个 10 层模型的概率加权融合，分数在 0.43506。

4. 结束语

这次比赛收获很大，总结起来就是：

• 数据预处理很重要

• 模型不一定是最主要的，要多尝试其他方法，更不能无脑训模型，尤其是对于深度学习这种 “黑盒子”

• 比赛心态要放平，要抱着学习的心态

最后，还是要感谢知乎等组织举办的这次比赛，也感谢北邮模式识别实验室的大力支持！