1 前言
今天分享2019年ACL上的一篇paper——《Towards Unsupervised Text Classification Leveraging Experts and Word Embeddings》，是关于利用专家知识和word embedding来进行无监督文本分类，paper链接。
在工业领域，获取大量标记数据成本往往很大，需要一些无监督或者半监督的方式解决数据标记问题。近年在学术上，无监督方法关注度有所提升，但相对有监督方法，比例还是很小。这篇关于无监督文本分类的方法，对我目前工作起了一定的指引作用，希望也能对读者有些启发。接下来详细介绍。
2 Introduction
论文作者任务背景：在面向金融领域的文本数据分类时，随业务操作细度提高，需要将原始的20个文本类别label扩充到264个类别label，无法获取大量的对应标记数据。因此作者提出：利用专家知识和word embedding的方式进行无监督文本分类。
3 Model
论文的model很简单，简单的就如上图所示。其主要思路为：
1.将文档d清洗后生成代表文档的向量V(d*);
2.将文本类别L通过清洗，扩充，过滤的方式生成对应的类别词库，用词库生成代表类别L的向量V(L*)；
3.最后similarity(V(d*),V(L*))，文本与哪个类别L相似度最高，就属于该类。
方法关键：如何生成高质量的类别词库，这是本论文的核心；
3.1 Model / Cleaning
在model的第一个步骤就是对文档按照一定原则进行清洗，类别标签也是一样的方式，清洗具体有：
1.删掉类似标点符号的特殊字符；
2.去停用词；
3.删掉文档高频词top3%;
4.删掉不常见的单词，即逆文档频率top3%；
5.删掉特殊表达式，如日期，货币等；
3.2 Model / Enrichment
该步骤是针对label进行的，其主要目的就是通过四个具体方法扩充类别词库，具体为：
1.利用专家或者搜索引擎方式，为每个类别提供3-5个代表词；
2.利用WordNet，把上步找的词对应的同义词，近义词加入词库；
3.利用已有的类别词库，找到每个类别代表性的文档(阈值70%)，将文档中的词加入类别词库；
4.利用Word Embedding的方式，找到一些相似词加入词库；
备注：每个步骤找的词都必须是在文档中出现过；
3.3 Model/Consolidation
consolidation是指将enrichment步骤找到的类别词库中，有些代表类别不是特别明显的词过滤掉，剩下高质量的词，过滤的标准是按下列公式来判断：
TF(w,c)是词w在类别c中出现的频率，分子右边是表示词w在所有类别出现的平均频率，分母表示词w在除c类别外分布的方差。当FAC(w,c)低于一定阈值时，就将词w从从类别删除掉，类别中阈值取为16，这个实际中依个人情况而定。
3.4 Model/similarity
模型的最后一个步骤将文档d和类别l进行cosine相似度计算，在向量化上，作者采用了LSA方法，具体为：
1.使用LSA，利用word-document，word-label矩阵，进行奇异值分解，生成各自的潜在语义空间；
2.利用各自生成的向量进行cosine similarity计算；
为何使用LSA：作者认为相似的文档在潜在的语义空间有相似的表示，即使文档之间没有共现的词，也会有相同的语义空间；此外LSA具有降噪，检测同义词的功能。该方法，作者在实验部分没有将其他方法进行与之对比。
4.Experiments
在实验部分，作者使用5个开源数据集，外加一个自己金融领域的数据集，5个开源数据统计为下图：
在这5个数据集上，作者使用自己的model，外加一些变体进行了实验对比，详细如下图：
实验结果显示：FAC-ALL keywords 方法在后三个数据集取的最佳效果；对比贝叶斯监督学习方法，仅在Yahoo-Answers数据集表现超过。在此个人有一些看法：一，觉得model不同的trick在不同数据集表现有差异性，也就说明某个trick在具体场景才有效；二，监督学习用贝叶斯做对比，充分性不太够；三，在similarity上使用LSA没有进行对比说明。
在金融领域数据集上，作者展示了数据集label的层次性和各个层次label的识别结果，如下图：
可以看出，随着label层级递增，识别效果差别特别大，在Level3上的类别，F1值才22%，这个结果跟样本不平衡有一定关系。
5 结语
总的来说，本篇paper总体模型框架很简单。作者是将工作中解决思路进行发表，虽然各个操作步骤也是常见的方法，但工业界的确崇尚简单有效至上的原则。论文中形成类别词库这个思路是有一定借鉴意义的，在遇到分类任务时，累积label对应的词库是十分有用的，刚好本篇论文有对应体现的方法。