結(jié)合AdaBERT的TextCNN垃圾彈幕識別和過濾算法

孫瑞安，張云華

（浙江理工大學(xué) 信息學(xué)院，杭州310018）

0 引 言

隨著現(xiàn)代互聯(lián)網(wǎng)的發(fā)展，越來越多的人在網(wǎng)絡(luò)上尋找消磨時間的娛樂方式，其中就包括了帶有趣味的彈幕視頻——有彈幕飄過的視頻。彈幕最初出現(xiàn)在日本niconcio視頻網(wǎng)的視頻里。之所以叫彈幕，是因?yàn)槠渚拖褡訌椧粯用芗卦谝曨l上飄過，網(wǎng)友借此發(fā)明視頻彈幕這一網(wǎng)絡(luò)詞匯。人們可以使用彈幕發(fā)表對某一情節(jié)的看法和評論，也可以借用彈幕對一些電影進(jìn)行背景介紹，讓新來的觀眾對電影有一定的了解，方便決定自己是否要繼續(xù)看下去。而有些視頻的語音是外語的，而且沒有提供字幕，這時候就有熱心網(wǎng)友使用底部彈幕的形式制作中文字幕方便別人的觀看?？梢钥闯?，彈幕作為一種新型網(wǎng)絡(luò)文化有一定的趣味性和實(shí)用性。但是，當(dāng)有人利用彈幕發(fā)布與視頻無關(guān)的信息，比如廣告、貶低別人的話語，又或者發(fā)布遮擋字幕的底部彈幕，就會影響他人的觀看，甚至形成不好的社會風(fēng)氣，造成惡劣的后果。所以，對垃圾彈幕進(jìn)行過濾是一件急需落實(shí)的措施。目前的彈幕過濾方法一般是使用關(guān)鍵詞進(jìn)行識別過濾。該方法將彈幕評論與關(guān)鍵詞進(jìn)行對比，如果匹配成功，則屏蔽該彈幕；否則不屏蔽［1］。在使用關(guān)鍵詞進(jìn)行垃圾彈幕過濾時，需要與時俱進(jìn)更新新的屏蔽詞，無形中又增加了時間及人力成本。所以，只使用關(guān)鍵詞進(jìn)行過濾，不僅效率較低，其準(zhǔn)確率也不高。為了提高垃圾彈幕的識別和過濾效率，本文提出了一種結(jié)合AdaBERT自適應(yīng)結(jié)構(gòu)的TextCNN垃圾彈幕識別和過濾算法。與原始的BERT模型相比，使用AdaBERT壓縮后的模型的參數(shù)規(guī)模大大下降，其推理速度也提升了十多倍，提升了垃圾彈幕識別模型的性能和效率。

1 相關(guān)研究

自然語言處理是機(jī)器學(xué)習(xí)的一個重要研究領(lǐng)域，而文本分類和文本生成是其兩個研究重點(diǎn)。本文研究的彈幕就是一種特殊的網(wǎng)絡(luò)文本?，F(xiàn)在機(jī)器學(xué)習(xí)和深度學(xué)習(xí)在文本分類領(lǐng)域的研究發(fā)展迅速，并取得了一定的進(jìn)展。

機(jī)器學(xué)習(xí)的方法主要有4種：

（1）邏輯回歸方法。這種方法經(jīng)常用來預(yù)測一個樣例屬于某個類別的概率，適用于二分類問題和多分類問題；

（2）樸素貝葉斯方法［2］。其原理依賴于數(shù)理統(tǒng)計的貝葉斯定理；

（3）隨機(jī)森林方法。這種方法是將多個決策樹的結(jié)果綜合起來［3］；

（4）支持向量機(jī)（Support Vector Machine，SVM）方法。其可以用于線性分類、非線性分類、回歸等任務(wù)，主要思想是使用間隔進(jìn)行分類［4］。

隨著深度學(xué)習(xí)的發(fā)展，越來越多的深度學(xué)習(xí)模型被應(yīng)用于短文本分類任務(wù)中。如，文獻(xiàn)［5］中提出基于自編碼網(wǎng)絡(luò)的短文本流形表示方法，實(shí)現(xiàn)文本特征的非線性降維，可以更好地以非稀疏形式、更準(zhǔn)確地描述短文本特征信息，提高分類效率；文獻(xiàn)［6］提出一種基于語義理解的多元特征融合中文文本分類模型，通過嵌入層的各個通路，提取不同層次的文本特征，比神經(jīng)網(wǎng)絡(luò)模型（Convolutional Neural Network，CNN）與長短期記憶網(wǎng)絡(luò)模型（Long Short-Term Memory，LSTM）的文本分類精度提升了8%；文獻(xiàn)［7］使用CNN模型，將句中的詞向量合成為句子向量，并作為特征訓(xùn)練多標(biāo)簽分類器完成分類任務(wù)，取得了較好的分類效果；文獻(xiàn)［8］提出DCNN模型，在不依賴句法解析樹的條件下，利用動態(tài)k-max pooling提取全局特征，取得了良好的分類效果；文獻(xiàn)［9］采用多通道卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行監(jiān)督學(xué)習(xí)，將詞矢量作為輸入特征，可以在不同大小的窗口內(nèi)進(jìn)行語義合成操作，完成文本分類任務(wù)；文獻(xiàn)［10］結(jié)合CNN和LSTM模型的特點(diǎn)，提出了卷積記憶神經(jīng)網(wǎng)絡(luò)模型（Convolutional Memory Neural Network，CMNN），相比傳統(tǒng)方法，該模型避免了具體任務(wù)的特征工程設(shè)計；文獻(xiàn)［11］將CNN與循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）有機(jī)結(jié)合，從語義層面對句子進(jìn)行分類，取得良好的分類效果；文獻(xiàn)［12］提出一種基于注意力機(jī)制的卷積神經(jīng)網(wǎng)絡(luò)，并將該網(wǎng)絡(luò)用在句子對建模任務(wù)中，證明了注意力機(jī)制和CNN結(jié)合的有效性；文獻(xiàn)［13］提出了一種基于彈幕內(nèi)容和發(fā)送彈幕的用戶標(biāo)識的混合垃圾彈幕識別過濾算法，其主要考慮彈幕本身的特點(diǎn)來研究。

目前，遷移學(xué)習(xí)在自然語言處理的應(yīng)用，主要針對第一層的微調(diào)預(yù)訓(xùn)練的詞嵌入，而且對于不同的語言任務(wù)都要有針對性地單獨(dú)訓(xùn)練一個模型，比較浪費(fèi)時間和資源。為此，一些學(xué)者提出，通過一個大數(shù)據(jù)集下訓(xùn)練過的NLP模型，然后針對不同的小任務(wù)只需要細(xì)微的調(diào)些參數(shù)即可完成不同的語言處理任務(wù)。在這其中就包括BERT預(yù)訓(xùn)練模型［14］。BERT模型是谷歌在2018年提出的，其在11個NLP任務(wù)中打敗其它所有選手，成為最受矚目的明日之星。BERT使用Transformer進(jìn)行特征提取，Transformer可以學(xué)習(xí)到語句的雙向關(guān)系。BERT主要使用MLM（Mask Language Model）和NSP（Next Sentence Predication）作為訓(xùn)練任務(wù)。使用BERT預(yù)訓(xùn)練的模型只需進(jìn)行微調(diào)參數(shù)就能適應(yīng)各種下游任務(wù)，但BERT所需調(diào)整的參數(shù)量十分巨大，需要更好的硬件條件來運(yùn)行。如何壓縮BERT模型就成為某些研究者新的研究課題。Chen［15］等通過可微神經(jīng)架構(gòu)搜索（Differentiable Neural Architecture Search，DNAS）將BERT壓縮成適應(yīng)相應(yīng)任務(wù)的微小模型，加快了推理速度，減少了大量參數(shù)。

2 結(jié)合AdaBERT的TextCNN垃圾彈幕識別及過濾算法模型構(gòu)建

2.1 AdaBERT詞向量模型

在使用BERT預(yù)訓(xùn)練模型時，其參數(shù)達(dá)到110M之多，給訓(xùn)練此模型帶來一定難度。要想訓(xùn)練這樣規(guī)模的模型需要更好的機(jī)器和更多的資費(fèi)，這對于一般人是無法承擔(dān)的。為在模型結(jié)構(gòu)不變的情況下減少參數(shù)的規(guī)模，文獻(xiàn)［16］提出向量參數(shù)分解的方法，將詞語的大向量分解為小向量，并且將層之間的參數(shù)共享，實(shí)現(xiàn)了模型壓縮。由于這些研究都是在不改變原始模型結(jié)構(gòu)的情況下減少參數(shù)數(shù)量，而BERT在海量數(shù)據(jù)中學(xué)到了不同領(lǐng)域的知識。對于不同的任務(wù)，知識面是不同的。因此，需要尋找適合每種任務(wù)本身的、小的結(jié)構(gòu)和知識。而AdaBERT就實(shí)現(xiàn)了這一目標(biāo)。

AdaBERT的損失函數(shù)包含兩個方面：一個是針對任務(wù)進(jìn)行知識蒸餾，引導(dǎo)模型的搜索；二是模型效率反饋的損失，對模型的搜索過程進(jìn)行剪枝。只有同時考慮這兩方面的損失，才不會導(dǎo)致最終的模型只有效率高而有效性低，或者只有有效性高而速度卻很慢。而應(yīng)該找到一個效率和有效性權(quán)衡的模型。具體流程如圖1所示。

圖中，目標(biāo)彈幕文本數(shù)據(jù)集為D t，經(jīng)過調(diào)整參數(shù)后的BERT模型記為BERTt，所探索的模型空間記為S，而最終搜索到的最適合本文文本類型的模型記為s∈S。其損失函數(shù)為：

圖1 AdaBERT流程Fig.1 AdaBERT process

式中，ωs是搜索到的結(jié)構(gòu)s對應(yīng)的訓(xùn)練權(quán)重；L c是和目標(biāo)數(shù)據(jù)集D t相關(guān)的交叉熵?fù)p失；而L k、L e分別是面向任務(wù)的知識蒸餾損失和模型的效率損失；λ和α是平衡所有損失的超參數(shù)。

為了將搜索目標(biāo)表示為分布變量，最直接的方式是建模為one-hot變量。但這樣帶來的問題是，離散的采樣過程會使得梯度無法回傳。因此，AdaBERT引入了Gumbel Softmax［17］技術(shù)，將onehot的模型結(jié)構(gòu)變量松弛為連續(xù)分布y K和y o。 對于堆疊層數(shù)K相對應(yīng)的第i維（表示模型結(jié)構(gòu)最后堆疊i層的概率），以及候選Opearation的第i維（表示DAG中某條邊最后導(dǎo)出第i種operation的概率）：

這里，g i是Gumbel分布中采樣得到的隨機(jī)噪聲，τ代表此分布與one-hot分布的接近程度。此后，變量都是可微的，可以直接使用相應(yīng)的優(yōu)化器進(jìn)行損失優(yōu)化。

2.2 TextCNN模型

使用TextCNN可以實(shí)現(xiàn)對文本的分類任務(wù)，其模型結(jié)構(gòu)如圖2所示。其中包括：一個用于生成詞向量的嵌入層；一個包含幾個卷積核的卷積層，一個卷積核可以得到len（seq）-filter＿size+1個卷積結(jié)果；進(jìn)入激活函數(shù)進(jìn)行非線性化操作；再進(jìn)行最大化池化操作；最后經(jīng)過全連接傳入softmax進(jìn)行分類。

圖2 TextCNN模型Fig.2 TextCNN model

2.3 結(jié)合AdaBERT的TextCNN模型

在TextCNN中一般使用word2vec或者GloVe作為詞向量的選擇，而AdaBERT使用Transformer可以真正識別上下文的信息。所以，本文使用AdaBERT的詞向量代替TextCNN本身的詞向量。BERT模型本身學(xué)習(xí)了大量百科知識，擁有很好的學(xué)習(xí)能力來學(xué)習(xí)彈幕中的上下文關(guān)系。而AdaBERT可以訓(xùn)練出適合本文彈幕語料集的相應(yīng)結(jié)構(gòu)的模型，使用AdaBERT詞向量，對提高最終的模型效率和有效性有一定作用。

結(jié)合AdaBERT的TextCNN模型，在輸入層對文本使用AdaBERT轉(zhuǎn)換成相應(yīng)的詞向量，然后將所有詞向量拼接成一個向量矩陣B，公式如下：

其中，［］代表拼接詞向量的操作；b i代表句子里的每一個詞向量；Bi：j代表將第i個詞向量到第j個詞向量拼接。然后使用不同的卷積核W，大小（h）分別為3、4、5。從而獲得3個字符、4個字符、5個字符之間的關(guān)系。進(jìn)行卷積操作得到特征Fi，如式（5）所示：

式中，b為偏差，通過R e L U激活函數(shù)生成特征F＝［F1，F(xiàn)2，...，F(xiàn) n-m+h］，然后進(jìn)行批量歸一化（BN）操作，防止維度爆炸或者彌散。再進(jìn)行最大池化，最后全連接到softmax層，輸出樣本在不同分類上的概率，取最大值為分類結(jié)果。

本文結(jié)合AdaBERT的TextCNN模型架構(gòu)如圖3所示：

圖3 結(jié)合AdaBERT的TextCNN模型Fig.3 TextCNN based on AdaBERT model

3 實(shí)驗(yàn)及結(jié)果分析

3.1 數(shù)據(jù)集和實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)主要進(jìn)行模型正確性的驗(yàn)證。本文采集了嗶哩嗶哩彈幕網(wǎng)的《秒速五厘米》的彈幕數(shù)據(jù)作為實(shí)驗(yàn)的數(shù)據(jù)集。使用爬蟲技術(shù)共爬取5 384 000條彈幕，經(jīng)過去重、去除只有標(biāo)點(diǎn)符號、去除表情等清理數(shù)據(jù)的手段后，剩余154 268條彈幕。對彈幕數(shù)據(jù)進(jìn)行敏感詞標(biāo)注，再進(jìn)行人工標(biāo)注查漏補(bǔ)缺。由于垃圾彈幕屬于少量異常數(shù)據(jù)，所以本文將取出與垃圾彈幕相等數(shù)量的正常彈幕，生成平衡數(shù)據(jù)集。

最終電影《秒速五厘米》的彈幕數(shù)據(jù)集一共包含6 000條帶有標(biāo)簽的彈幕數(shù)據(jù)，其中含有3 000條正常彈幕和3 000條垃圾彈幕。彈幕數(shù)據(jù)集的標(biāo)注結(jié)果見表1。

表1 彈幕數(shù)據(jù)集的標(biāo)簽Tab.1 Label of barrage dataset

3.2 實(shí)驗(yàn)結(jié)果評價標(biāo)準(zhǔn)

評判分類問題性能優(yōu)劣，一般可以用正確率和錯誤率來評估。而在本文的數(shù)據(jù)集中，少數(shù)異常是主要的關(guān)注對象，其分類精度也就顯得很重要。數(shù)據(jù)集中正常彈幕和垃圾彈幕的數(shù)量差距大，是一種不平衡的文本分類數(shù)據(jù)集，那么正誤率不太適合作為這種數(shù)據(jù)集的分類算法評判指標(biāo)。本文將采用精確率（Pr eci s i on）、召回率（Recal l）、F1分?jǐn)?shù)（F1-s cor e）這3個指標(biāo)對算法進(jìn)行評估。表2所示的混淆矩陣更能直觀地說明這3個概念。

表2 混淆矩陣Tab.2 Confusion matrix

精確率P表示的是預(yù)測結(jié)果為正例的數(shù)據(jù)中預(yù)測正確的比例；召回率R是指實(shí)際為正例中預(yù)測為正例的百分比。精確率和召回率之間存在一定的數(shù)量關(guān)系，即當(dāng)精確率上升時，召回率會下降，反之亦然。綜合考慮精確率和召回率時可以使用F1分?jǐn)?shù)。以下是精確率、召回率和F1分?jǐn)?shù)的計算公式：

3.3 實(shí)驗(yàn)過程與結(jié)果分析

本次實(shí)驗(yàn)使用Windows10操作系統(tǒng)、jupyter lab平臺，使用TensorFlow深度學(xué)習(xí)框架進(jìn)行模型訓(xùn)練，主要開發(fā)語言為Python。實(shí)驗(yàn)數(shù)據(jù)集包含相等數(shù)量的正常彈幕和垃圾彈幕，從中隨機(jī)將數(shù)據(jù)集按8：2的比例分成訓(xùn)練集和測試集。為說明本文提出的結(jié)合AdaBERT的TextCNN算法的優(yōu)勢，通過與TextCNN算法、樸素貝葉斯算法和BiLSTM算法進(jìn)行對比結(jié)果，說明本文算法的有效性。實(shí)驗(yàn)結(jié)果見表3。

表3 實(shí)驗(yàn)結(jié)果Tab.3 Experimental result

從測試結(jié)果可見，本文算法的3個指標(biāo)都是最高的。與使用word2vec的其它算法相比，采用AdaBERT詞向量模型的TextCNN模型相關(guān)指標(biāo)均更高。說明使用AdaBERT進(jìn)行模型預(yù)訓(xùn)練得到的詞向量比word2vec詞向量更好。使用統(tǒng)計學(xué)知識計算分類概率的樸素貝葉斯模型，沒有考慮詞之間的上下文關(guān)系，而只是把每個詞單獨(dú)轉(zhuǎn)換成相應(yīng)的數(shù)值，并計算其屬于某個類型的概率。其取得的結(jié)果必定是不準(zhǔn)確的。TextCNN、AdaBERT-TextCNN模型都屬于CNN類別的模型，而BiLSTM則屬于RNN模型。CNN類型的模型比使用RNN的BiLSTM的精確率和召回率更高，這說明彈幕這種短文本類型的分類更適合使用CNN進(jìn)行。在垃圾彈幕識別中上下文關(guān)系比較少，關(guān)鍵詞的信息更多。

為了說明AdaBERT對BERT的參數(shù)優(yōu)化，本文還包含了這兩種方法的實(shí)驗(yàn)對比，結(jié)果見表4。

表4 時間對比Tab.4 Time comparison

從表中結(jié)果來看，使用自適應(yīng)的BERT模型的確減少了訓(xùn)練時間，提高了模型的效率。

總體來看，本文提出的結(jié)合AdaBERT的TextCNN模型，在實(shí)驗(yàn)中取得較好的成果，與普通分類算法相比優(yōu)勢較大。使用AdaBERT相比一般BERT算法的參數(shù)更少，可以加快模型的預(yù)訓(xùn)練，更好的提取詞向量特征，結(jié)合TextCNN后可以獲得更好的模型泛化能力。可以預(yù)見，本文算法對垃圾彈幕過濾這一應(yīng)用場景有較大作用，可以投入到實(shí)際的彈幕過濾系統(tǒng)中使用。

4 結(jié)束語

本文提出的結(jié)合AdaBERT的TextCNN垃圾彈幕識別與過濾算法模型，與以前的基于統(tǒng)計學(xué)的分類算法相比，有更高的準(zhǔn)確率；與CNN類型和RNN類型的模型相比，擁有更好的泛化能力。采用AdaBERT也減少了模型的復(fù)雜程度，使得總體訓(xùn)練時間降低。實(shí)現(xiàn)了對垃圾彈幕文本更好的語義理解，獲取了更準(zhǔn)確的彈幕特征，提高垃圾彈幕識別的準(zhǔn)確率。目前，本文只研究基于彈幕文本內(nèi)容的篩選，后續(xù)將考慮加入彈幕的位置和視頻內(nèi)容等維度加以綜合評估，進(jìn)一步提高識別精確率。