《A Self-Training Approach for Short Text Clustering》论文笔记

A Self-Training Approach for Short Text Clustering

---

这是一篇关于短文本聚类的文章。
“因为随着社交媒体的广泛使用，短文本已经成为web上流行的文本形态。然而与长文本不同，使用词袋模型和TF-IDF表示的短文本存在着稀疏的问题。”

短文本的稀疏问题

假设有短文本数据集X={x₁,x₂…x_n}。
对于x_i∈X，假设x_i中的词汇数为n_i，那么数据集X的词汇数量V为$V = \sum^{n}_{i=1}n_{i}$V=i=1∑n​ni​

如果用词袋模型表示 x_i ，记为 x_i ，x_i ∈ $\mathbb{Z}^{V}$ZV，那么x_i 的“稀疏率”可以表示为$\frac{n_{i}} {V}$Vni​​，通常n_i << V 。所以短文本使用词袋模型表示是非常稀疏的，换言之，向量x_i 中有很多维度上的值为0。

如果使用TF-IDF来表示x_i ，对于w_j ∈ x_i ， j = 1、2、…n_i，我们计算$TF_{w_{j}}=\frac{w_{j}在x_{i}出现次数}{n_{i}}$TFwj​​=ni​wj​在xi​出现次数​
因为对于x_i中任意的w_j出现的次数一般为1，所以他们的TF值难以区分。所以计算出的TF-IDF值不能准确的反映w_j的特征。

---

“过去解决短文本稀疏问题的方法是引入额外的资源丰富文本的表示。最近，低维度的表示展示了解决短文本稀疏向量的潜能。Word embedding、sentence embedding以及documents embedding已经在众多NLP任务中有了良好的表现。”

SIF Embedding

论文使用了SIF Embedding，SIF来自《A Simple but Tough-to-Beat Baseline for Sentence Embeddings》。
SIF的计算分为两步：
1、对句子中的每个词向量，乘以一个权重 a/(a+p(w))，其中 a 是一个超参数，p(w) 为该词的词频（在整个数据集中的频率）。
2、计算句向量矩阵的第一个主成分 u，让每个句向量减去它在 u 上的投影。

---

“我们的短文本聚类模型包含三步：1、使用SIF得到短文本向量；2、使用一个autoencoder重构短文本向量；3、(Self-training)将聚类作为辅助的目标分布，联合微调encoder。”

Self-training

使用autoencoder将SIF embedding的结果降维后作为self-training的初始化。然后初始化聚类中心（文章在实验阶段使用100次Kmeans初始化不同的中心，然后选择最好的中心）。然后交替以下两个步骤:
1、计算一个向量（文本）放入每个簇的概率
2、计算辅助的概率分布，作为encoder的目标
步骤1：向量z_i放入u_j簇的概率符合*度为1的学生T分布。

步骤2：辅助目标分布P相较于相似度q_ij是有更严格的概率计算。目的是提高簇的纯度、提高置信度。这阻止了大簇扭曲隐藏的特征空间。

训练的loss：

---

实验结果

---

我的总结

之所以这个self-training取得了较好的效果，是因为它将聚类的目标函数作为了encoder的辅助目标融进了训练当中。这意味着聚类任务和embedding、降维过程不是割裂的。
在以往的聚类研究当中，研究者都遵循着下图的结构：

这意味着聚类任务的提升只能依靠预处理技术、特征提取、特征降维技术的提升。这也就是作者写道的：“最近，低维度的表示展示了解决短文本稀疏向量的潜能。Word embedding、sentence embedding以及documents embedding已经在众多NLP任务中有了良好的表现。”
但是本文将聚类的目标和encoder的训练目标相融合，就意味着聚类算法与特征提取不是割裂的两个任务，可以通过聚类算法影响encoder的效果，从而使其成为更符合聚类任务的encoder。

参考文献

Amir Hadifar , Lucas Sterckx , Thomas Demeester and Chris Develder . 2019 . A Self-Training Approach for Short Text Clustering.