高成本的人工標簽使得弱監督學習備受關注。seed-driven 是弱監督學習中的一種常見模型。該模型要求用戶提供少量的seed words，根據seed words對未標記的訓練數據生成偽標簽，增加訓練樣本。

但是由于一詞多義現象的存在，同一個seed word會出現在不同的類別中，從而增加生成正確偽標簽的難度；同時，單詞w在語料庫中的所有位置都使用一個的詞向量，也會降低分類模型的準確性。

而本篇論文主要貢獻有：

開發一種無監督的方法，可以根據詞向量和seed words，解決語料庫中單詞的一詞多義問題。

設計一種排序機制，消除seed words中一些無效的單詞；并將有效的單詞擴充進seed words中。

模型整體結構為：

第一步：使用聚類算法解決語料庫中單詞的一詞多義問題

對于每一個單詞 w, 假設w出現在語料庫的n個不同位置, 分別為 ，使用K-Means算法將分成K類，這里K可理解為單詞w的K個不同解釋。

用下列公式計算K的值：

其中代表第i個聚類中心的向量。的計算方法如下：

這里s表示一個seed word，且表示s在語料庫第i次出現，對應的詞向量為。

sim() 表示余弦函數，median( )表示取中位數。

則對于任意，有

綜上，一詞多義問題解決算法如下：

使用上面算法，我們就可以將原始語料庫轉變為基于語境下的語料庫：

第二步：對未標記的訓練數據生成偽標簽令表示文檔d的偽標簽；表示類別為的seed word 集合；表示單詞w出現在文檔d的詞頻

第三步：使用基于語境下的語料庫進行文檔分類

本篇論文使用Hierarchical Attention Networks (HAN) 進行文本分類。

第四步：設計排序函數，更新seed words我們設計出一個打分函數，用于表示單詞w僅高頻的出現在類別為的文檔。分值越高，表示單詞w對類別越重要。我們可以選擇分值最高的前幾個單詞作為新的seed word。也可以剔除一些不重要的seed word。

其中：

表示類別為的文檔的數量。表示類別為且含有單詞w的文檔的數量。表示在類別為的文檔中，單詞w的詞頻。

n為語料庫D的文檔總數目表示語料庫D中含有單詞w的文檔的數量。

結果

我們的完整模型稱為 ConWea,

而 ConWea-NoCon是 ConWea確實缺少第一步的變體。

ConWea-NoExpan是 ConWea確實缺少第四步的變體。

ConWea-WSD是將 ConWea第一步的方法換成Lesk算法。

責任編輯：xj

原文標題：【ACL2020】基于語境的文本分類弱監督學習

文章出處：【微信公眾號：深度學習自然語言處理】歡迎添加關注！文章轉載請注明出處。