Hierarchical Metadata-Aware Document Categorization under Weak Supervision (WSDM 2021)

Hierarchical Metadata-Aware Document
Categorization under Weak Supervision
(WSDM 2021)
ARISE analytics 近藤真暉
©2022 ARISE analytics Reserved.
論文URL：https://arxiv.org/abs/2010.13556
特に注釈ない限り、画像は論文からの引用です

論文概要
©2022 ARISE analytics Reserved. 1
階層ラベル向け弱教師あり学習を行うHimeCatとData Augmentationの提案

Hierarchical Label Classficationとは
[1] Hierarchical multi-label news article classification with distributed semantic model based features（IJAII 2019）
カテゴリ間の関係を考慮し、階層的なタグ付与を行うタスク
階層的なタグ構造は、ディレクトリをはじめWebニュースのカテゴリや文書カテゴリ等広いドメ
インで活用されており活用可能性が広い
Hierarchial Label Classficationで用いられるラベルの例[1]

実応用に向けた既存研究の課題
① Webドキュメントに付与されたメタデータを活用できていない
- メタデータを活用し、潜在的なラベル補足情報として活用したい
② メタデータがあっても、大規模な学習データが必要である
- 階層ラベルを手動でアノテーションするのは負荷が大きいため、可能な限り少ないサンプ
ルで学習できるようにしたい
これら問題を解決するため、以下を提案
- ①階層ラベル向け弱教師あり学習を行うHimeCat
- ② Data Augmentation

本研究の貢献
本論文では、階層ラベル向け弱教師あり学習を行うHimeCatを提案
- 主な貢献
- メタデータと階層ラベルを用いた埋め込み表現を実現する方法
- 少数サンプルでも学習効果が得られるData Augmentation
- メタデータ、階層ラベル、Data Augmentationのすべてが性能向上に影響を与えるこ
とを確認

本研究で扱うデータ構造
- 文書：テキスト、メタデータ、階層ラベルを保有する文書
- テキスト：文書のすべてのテキストフィールド
- メタデータ：文書が保有するメタデータ。複数存在するケースもある
- 階層ラベル：木構造で表現されたラベル。ノード集合はカテゴリを表す。
ArXivにおけるデータ構造の例

前提知識：vMF分布
画像引用：機械学習プロフェッショナルシリーズ「異常検知と変化検知」
[1] Von mises-fisher loss for training sequence to sequence models with continuous outputs (ICLR 2019)
[2] Spherical text embedding. (NeurIPS 2019)
- フォンミーゼス・フィッシャー（vMF）分布
- 方向データ（単位球面）における確率分布のこと
- 方向データ：単位ベクトルのように方向にだけ意味があるデータ（大きさに意味は持たない）
- 単位球面の表面に方向データがマッピングされるイメージ
- vMF分布を使う利点
- 類似タスクである階層的クラスタリングやテキストシーケンス生成で有効性が示されている[1]
- 球面空間における埋め込み表現の学習は、類似性をより良く捉えることができる[2]
- Semantic Similarity Search/Document Classificationのタスクで有効性が示されている

全体アーキテクチャ
- A Hierarchical Generative Process
- 階層ラベルを確率的に生成するプロセス
- Joint Representation Learning
- ラベル、メタデータ、テキスト（文書・単語）の埋め込み表現をまとめて学習するプロセス
- Hierarchical Data Augmentation
- 階層ラベルを保有する学習データを増やすプロセス
- Hierarchical Classifier Training
- 埋め込み表現をもとに、階層ラベルに対応したテキスト分類器を学習するプロセス
メタデータを活用
した弱教師あり
学習
少数サンプルでの
効率的な学習

A Hierarchical Generative Process
- 階層ラベルを確率的に生成するプロセス
① Patent Label to Child Label
- 条件付確率を基に、親ラベルから
子ラベルを推定
- vMF分布におけるRootの埋め込
み特徴を決定し、子ラベルの埋め
込み特徴を末端まで数珠繋ぎで
生成
② Label and Metadata to Doc
- メタデータとラベル情報を用い、単
位球面への文書の埋め込みを実
施
- ラベルやメタデータが存在しない場
合は、条件付確率を用いる（弱
教師あり学習特有の問題設定）
- ドキュメントの埋め込み表現は以
下の式で表現可能
③ Doc to Word
- ①と同様に、文書から単語の出現
確率（埋め込み特徴）を出力

A Hierarchical Generative Processにおける条件付確率の出力
- 親ラベルから子ラベルを推定
- 親ラベルの埋め込み特徴 lp を基にした子ラベルの埋め込み特徴lcの生成確率 p(lc |
lp) を以下のように指定（ソフトマックス関数ベース）
- ここで、lcは連続的な埋め込み空間における任意の点である必要
- そのため、も連続分布でなければならない
- しかし、ソフトマックス関数は有限の候補から離散的な選択をするためNG
- vMF分布を適用することで、以下のように書き換えられる
- ② Label and Metadata to Doc / ③ Doc to Word も同様にvMF分布を用い
て処理できる

Joint Representation Learning
[1] Knowledge graph embedding: A survey of approaches and applications(TKDE29 2017)
ラベル、メタデータ、テキスト（文書・単語）の埋め込み表現をまとめて学習
Step1：ラベルの階層情報をモデル化
- 親子ラベルペア（lc,lp）が与えられたとき、
を最大化するのが目標
- ナレッジグラフの埋め込み手法[1]をベースに、マージン
を導入したランキング学習を実施
Step2：メタデータとコーパスの統計情報をモデル化
- 文書dに対するコーパスの情報（word w, ラベル
ld）とメタデータMdが与えられたとき、
を最大化するのが目的
- Step1同様ランキング学習を行う
pos neg
ROOTから
子ラベルを選択
ラベルペアが与えられ
たとき、負の学習サン
プルl’pを選択
ランキング学習：
正サンプルと負サンプルが与えられたとき、
スコアが正＞負となるように学習する手法
今回はペアワイズ法を使っている
pos
neg
※ 本研究ではネガティブサンプル数を５組と設定

リーマン勾配法を用いた最適化
[1] Spherical text embedding (NeurIPS 2019)
を解くように学習
ただし今回はすべての埋め込み特徴が球面上に存在するため、ユークリッド空間を前提とし
て定義された最適化手法は好ましくない
双曲線埋め込み/球面埋め込みの既存研究[1]ではリーマン勾配法を用いているため、そ
れに合わせる
ユークリッド勾配法に対して変換を行うことで、リーマン勾配
法として扱える
リーマン勾配法ユークリッド勾配法
変換した後は、この式を用いて重み更新すればよい
球面上におけるリーマン勾配法の適用例[1]
ユークリッド勾配法∇f(x)は左図も右図も同じ距離を示してしまう
リーマン勾配法で用いているコサイン距離dcosは異なる距離を示すことが可能
球面上ではリーマン勾配法を用いるほうが好ましい

Hierarchical Data Augmentation
[1] Knowledge graph embedding: A survey of approaches and applications(TKDE29 2017)
少数データでも学習できることを目指し、Data Augmentationで増強する
Step1：合成ドキュメントd*の埋め込み表現を生成
- Hierarchial Generaticve Processの②を流用
ラベルlとメタデータMdがあれば、事後
確率でd*を生成可能
ただし、ラベル情報しか保有しないた
めメタデータは空集合として扱う
結果としてであり下の式に
置き換えられる

Step2：合成ドキュメントd*の単語列w*1,...を生成
- 合成ドキュメントd*から事後確率を出力するが、
を用いた単純な出力ではうまくいかない
- 語彙Vを導入し、[1]で用いられている手法を応用する
- 生成された埋め込み特徴w*がd*の近傍に存在す
るような制約をかける
- 結果、離散的なSoftmax関数に収束する
wordがdocの近くに埋め込まれるようにする
ここはよくわからん

Step3：合成ドキュメントd*の集合D*を生成
- Step1,2をβ回繰り返し、ラベルに対応した集合D*を生
成

Step4：節点からの子ラベル生成
- 節点は合成ドキュメントd*を生成しないかわりに、子ラベ
ルを生成する
- 節点l が与えられたとき、lを起点とする部分木T_l を条
件付確率で生成
- ラベルの埋め込みはすでに学習済みなので、条件付確率
で生成された部分木からラベルを取り出すことで、
Step1~3を実施でき同様に合成ドキュメントd*の集合
D*を生成可能
節点l
部分木 T_l
木 T

Hierarchical Classifier Training
[1] Convolutional Neural Networks for Sentence Classification(EMNLP 2014)
各リーフ（ノード）/ 節点に対し、フラットなテキスト分類器で分類
今回はモデルのアーキテクチャが提案の趣旨ではないため、シンプルなKim-CNN[1]を利用
Kim-CNN[1]の概要
オリジナルでは入力層に単語を入力するが、今回は埋め込み特徴を入力

実験
３種類のデータセットで評価
ベースライン
- 教師あり：HierSVM (SVMベース)
- 弱教師あり：WeSHClass(LSTMベース),PCEM, HiGitClass, MetaCat
- 埋め込み：MetaPath2Vec（GNN）, PointCare （GNN）, Pretrained BERT
評価指標
- Micro/Macro F1 Score をLeaf/Ovarallごとに算出

実験結果
３つのデータセットにおいて、比較対象であるベースラインを有意に上回った
- HiGitClass/MetaCatよりも性能が高く、ラベル階層を考慮することの有効性を示唆
- MetaPath2VecとPointCareはメタデータとラベル階層の埋め込みに有効といわれるが、
JointしてもHimeCatほど性能が上がらない
- メタデータやラベル階層を考慮していないため、BERTは充分な性能を発揮できていない

より詳細な分析 – 何が特に効いたか？
アプローチが異なるアーキテクチャを適用し、何が有効だったかを確認
- データセットのラベル階層が深い（github）ほどHimeCatとNo-Hierarchyの差は大
- メタデータを利用することの優位性が確認された。特にラベル階層よりも効果が大きい
- メタデータのほうが情報量が多いため？
- メタデータの種類に限らず、すべてのメタデータが性能向上に寄与
ふつうのMimeCAT
階層情報なし
メタデータすべてなし
メタデータのうち一部なし

より詳細な分析 – パラメタ比較
埋め込み特徴の次元数と、合成データの件数を変えて比較
- 埋め込み次元p は100－200程度がよい
- 合成データを加えることで大きな性能向上
- ただし500件でサチる

より詳細な分析 – 埋め込み結果の可視化
埋め込み特徴をT-SNEで可視化し、木構造で接続
- サブツリーの子カテゴリは親カテゴリの周りに埋め込まれている
- サブツリーどうしでも、お互いの関係が考慮された埋め込みになっている
- (b)においてq-fin(Quantitative Finance)はcs（Computer Science）よりもmathに近い

まとめ
本論文では、階層ラベル向け弱教師あり学習を行うHimeCatを提案
- 主な貢献
- メタデータと階層ラベルを用いた埋め込み表現を実現する方法
- 少数サンプルでも学習効果が得られるData Augmentation
- メタデータ、階層ラベル、Data Augmentationのすべてが性能向上に影響を与えるこ
とを確認

Best Partner for innovation, Best Creator for the future.

Hierarchical Metadata-Aware Document Categorization under Weak Supervision (WSDM 2021)

Empfohlen

Empfohlen

Weitere ähnliche Inhalte

Mehr von ARISE analytics

Mehr von ARISE analytics (13)

Kürzlich hochgeladen

Kürzlich hochgeladen (11)