Submit Search
Upload
Character level CNN [CNNで自然言語処理]
•
5 likes
•
4,785 views
tdualdir
Follow
the slide for Developers Summit 2018 summer.
Read less
Read more
Science
Report
Share
Report
Share
1 of 28
Download now
Download to read offline
Recommended
【DL輪読会】The Forward-Forward Algorithm: Some Preliminary
【DL輪読会】The Forward-Forward Algorithm: Some Preliminary
Deep Learning JP
fastTextの実装を見てみた
fastTextの実装を見てみた
Yoshihiko Shiraki
論文紹介 wav2vec: Unsupervised Pre-training for Speech Recognition
論文紹介 wav2vec: Unsupervised Pre-training for Speech Recognition
YosukeKashiwagi1
独立性基準を用いた非負値行列因子分解の効果的な初期値決定法(Statistical-independence-based efficient initia...
独立性基準を用いた非負値行列因子分解の効果的な初期値決定法(Statistical-independence-based efficient initia...
Daichi Kitamura
深層学習時代の自然言語処理
深層学習時代の自然言語処理
Yuya Unno
Transformerを多層にする際の勾配消失問題と解決法について
Transformerを多層にする際の勾配消失問題と解決法について
Sho Takase
【DL輪読会】"Masked Siamese Networks for Label-Efficient Learning"
【DL輪読会】"Masked Siamese Networks for Label-Efficient Learning"
Deep Learning JP
[DL輪読会]Glow: Generative Flow with Invertible 1×1 Convolutions
[DL輪読会]Glow: Generative Flow with Invertible 1×1 Convolutions
Deep Learning JP
Recommended
【DL輪読会】The Forward-Forward Algorithm: Some Preliminary
【DL輪読会】The Forward-Forward Algorithm: Some Preliminary
Deep Learning JP
fastTextの実装を見てみた
fastTextの実装を見てみた
Yoshihiko Shiraki
論文紹介 wav2vec: Unsupervised Pre-training for Speech Recognition
論文紹介 wav2vec: Unsupervised Pre-training for Speech Recognition
YosukeKashiwagi1
独立性基準を用いた非負値行列因子分解の効果的な初期値決定法(Statistical-independence-based efficient initia...
独立性基準を用いた非負値行列因子分解の効果的な初期値決定法(Statistical-independence-based efficient initia...
Daichi Kitamura
深層学習時代の自然言語処理
深層学習時代の自然言語処理
Yuya Unno
Transformerを多層にする際の勾配消失問題と解決法について
Transformerを多層にする際の勾配消失問題と解決法について
Sho Takase
【DL輪読会】"Masked Siamese Networks for Label-Efficient Learning"
【DL輪読会】"Masked Siamese Networks for Label-Efficient Learning"
Deep Learning JP
[DL輪読会]Glow: Generative Flow with Invertible 1×1 Convolutions
[DL輪読会]Glow: Generative Flow with Invertible 1×1 Convolutions
Deep Learning JP
Curriculum Learning (関東CV勉強会)
Curriculum Learning (関東CV勉強会)
Yoshitaka Ushiku
[DL Hacks]Self-Attention Generative Adversarial Networks
[DL Hacks]Self-Attention Generative Adversarial Networks
Deep Learning JP
【2017年度】勉強会資料_学習に関するテクニック
【2017年度】勉強会資料_学習に関するテクニック
Ryosuke Tanno
Domain Adaptation 発展と動向まとめ(サーベイ資料)
Domain Adaptation 発展と動向まとめ(サーベイ資料)
Yamato OKAMOTO
[DL輪読会]Control as Inferenceと発展
[DL輪読会]Control as Inferenceと発展
Deep Learning JP
機械学習の未解決課題
機械学習の未解決課題
Hiroyuki Masuda
[DL輪読会]Deep Face Recognition: A Survey
[DL輪読会]Deep Face Recognition: A Survey
Deep Learning JP
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
SSII
GAN(と強化学習との関係)
GAN(と強化学習との関係)
Masahiro Suzuki
Introduction to A3C model
Introduction to A3C model
WEBFARMER. ltd.
[DL輪読会]Neural Radiance Flow for 4D View Synthesis and Video Processing (NeRF...
[DL輪読会]Neural Radiance Flow for 4D View Synthesis and Video Processing (NeRF...
Deep Learning JP
ドメイン適応の原理と応用
ドメイン適応の原理と応用
Yoshitaka Ushiku
Deep Learningによる超解像の進歩
Deep Learningによる超解像の進歩
Hiroto Honda
【DL輪読会】時系列予測 Transfomers の精度向上手法
【DL輪読会】時系列予測 Transfomers の精度向上手法
Deep Learning JP
Structured Light 技術俯瞰
Structured Light 技術俯瞰
Teppei Kurita
最適輸送の解き方
最適輸送の解き方
joisino
DQNからRainbowまで 〜深層強化学習の最新動向〜
DQNからRainbowまで 〜深層強化学習の最新動向〜
Jun Okumura
Control as Inference (強化学習とベイズ統計)
Control as Inference (強化学習とベイズ統計)
Shohei Taniguchi
Triplet Loss 徹底解説
Triplet Loss 徹底解説
tancoro
Neural scene representation and rendering の解説(第3回3D勉強会@関東)
Neural scene representation and rendering の解説(第3回3D勉強会@関東)
Masaya Kaneko
More Related Content
What's hot
Curriculum Learning (関東CV勉強会)
Curriculum Learning (関東CV勉強会)
Yoshitaka Ushiku
[DL Hacks]Self-Attention Generative Adversarial Networks
[DL Hacks]Self-Attention Generative Adversarial Networks
Deep Learning JP
【2017年度】勉強会資料_学習に関するテクニック
【2017年度】勉強会資料_学習に関するテクニック
Ryosuke Tanno
Domain Adaptation 発展と動向まとめ(サーベイ資料)
Domain Adaptation 発展と動向まとめ(サーベイ資料)
Yamato OKAMOTO
[DL輪読会]Control as Inferenceと発展
[DL輪読会]Control as Inferenceと発展
Deep Learning JP
機械学習の未解決課題
機械学習の未解決課題
Hiroyuki Masuda
[DL輪読会]Deep Face Recognition: A Survey
[DL輪読会]Deep Face Recognition: A Survey
Deep Learning JP
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
SSII
GAN(と強化学習との関係)
GAN(と強化学習との関係)
Masahiro Suzuki
Introduction to A3C model
Introduction to A3C model
WEBFARMER. ltd.
[DL輪読会]Neural Radiance Flow for 4D View Synthesis and Video Processing (NeRF...
[DL輪読会]Neural Radiance Flow for 4D View Synthesis and Video Processing (NeRF...
Deep Learning JP
ドメイン適応の原理と応用
ドメイン適応の原理と応用
Yoshitaka Ushiku
Deep Learningによる超解像の進歩
Deep Learningによる超解像の進歩
Hiroto Honda
【DL輪読会】時系列予測 Transfomers の精度向上手法
【DL輪読会】時系列予測 Transfomers の精度向上手法
Deep Learning JP
Structured Light 技術俯瞰
Structured Light 技術俯瞰
Teppei Kurita
最適輸送の解き方
最適輸送の解き方
joisino
DQNからRainbowまで 〜深層強化学習の最新動向〜
DQNからRainbowまで 〜深層強化学習の最新動向〜
Jun Okumura
Control as Inference (強化学習とベイズ統計)
Control as Inference (強化学習とベイズ統計)
Shohei Taniguchi
Triplet Loss 徹底解説
Triplet Loss 徹底解説
tancoro
Neural scene representation and rendering の解説(第3回3D勉強会@関東)
Neural scene representation and rendering の解説(第3回3D勉強会@関東)
Masaya Kaneko
What's hot
(20)
Curriculum Learning (関東CV勉強会)
Curriculum Learning (関東CV勉強会)
[DL Hacks]Self-Attention Generative Adversarial Networks
[DL Hacks]Self-Attention Generative Adversarial Networks
【2017年度】勉強会資料_学習に関するテクニック
【2017年度】勉強会資料_学習に関するテクニック
Domain Adaptation 発展と動向まとめ(サーベイ資料)
Domain Adaptation 発展と動向まとめ(サーベイ資料)
[DL輪読会]Control as Inferenceと発展
[DL輪読会]Control as Inferenceと発展
機械学習の未解決課題
機械学習の未解決課題
[DL輪読会]Deep Face Recognition: A Survey
[DL輪読会]Deep Face Recognition: A Survey
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
GAN(と強化学習との関係)
GAN(と強化学習との関係)
Introduction to A3C model
Introduction to A3C model
[DL輪読会]Neural Radiance Flow for 4D View Synthesis and Video Processing (NeRF...
[DL輪読会]Neural Radiance Flow for 4D View Synthesis and Video Processing (NeRF...
ドメイン適応の原理と応用
ドメイン適応の原理と応用
Deep Learningによる超解像の進歩
Deep Learningによる超解像の進歩
【DL輪読会】時系列予測 Transfomers の精度向上手法
【DL輪読会】時系列予測 Transfomers の精度向上手法
Structured Light 技術俯瞰
Structured Light 技術俯瞰
最適輸送の解き方
最適輸送の解き方
DQNからRainbowまで 〜深層強化学習の最新動向〜
DQNからRainbowまで 〜深層強化学習の最新動向〜
Control as Inference (強化学習とベイズ統計)
Control as Inference (強化学習とベイズ統計)
Triplet Loss 徹底解説
Triplet Loss 徹底解説
Neural scene representation and rendering の解説(第3回3D勉強会@関東)
Neural scene representation and rendering の解説(第3回3D勉強会@関東)
Character level CNN [CNNで自然言語処理]
1.
Character Level CNN
2.
About Me ・大学/大学院では理論物理学の研究をしてました。 超弦理論(量子論 /素粒子論と一般相対性理論の統一を目指す学問)の研究 →10次元時空に飲み込まれそうだったので現実世界(
4次元時空)に逃げてきました。 ・シルバーエッグ テクノロジーに所属 レコメンドアルゴリズムの R&Dをやってる。 (入社時はWeb Developer) http://members.wolfram.com/jeffb/visualization/stringtheory.shtml ・趣味:プログラミングと情報幾何学 ・好きな言語: Python ・GitHub: https://github.com/Tdual
3.
誤字脱字・タイポ・変換ミスをした ことない人居ますか?
4.
Q:なぜ人はそこまで必死に確認しない のか?
5.
A: 読めてしまうから 私はパーテーに参かするたmeに家を早くく出まし た。 意味わかりますよね?
6.
しかし、自然言語処理において誤字脱 字は大敵
7.
適切な分かち書きができない
8.
むしろ、本質的に単語分割が必要では ないところでは、無理に単語に分割しな くてもいいのでは?
9.
例えば、テキスト分類問題
10.
問題設定 ネガポジ判定器を作る Amazonのカスタマーレビューを読んでそれがポジティブな内容かネガティブな内容か 判断(感情解析) 判定器 レビュー この商品は最高です! 「ポジティブ」です。 ★★★★★ 5つ星のうち5.0
11.
データセット Amazonのカスタマーレビュー レビューと5段階評価 言語:日本語 合計:18052本のレビュー 5つ星 = ポジティブ
9026本 1つ星と2つ星 = ネガティブ 9026本
12.
Character Level CNN ・テキスト分類をCNNでやってる。 ・文書の文字(Character)の並びしか見てない。(最小単位が文字) ・オリジナル論文 Xiang
Zhang, Junbo Zhao, Yann LeCun: Character-level Convolutional Networks for Text Classification (https://arxiv.org/abs/1509.01626) だが、オリジナルのアーキテクチャでは上手くいかなかったので別のアーキテクチャ を試した。 Joshua Saxe, Konstantin Berlin: eXpose:A Character-Level Convolutional Neural Network with Embeddings For Detecting Malicious URLs, File Paths and Registry Keys(https://arxiv.org/abs/1702.08568)
13.
最小単位が文字のメリット/デメリット メリット ・前処理は文字に分割するだけ(日 本 語
の 様 な 分 か ち 書 き が 必 要 な い ) ・どんな言語(英語・日本語・中国など)にもそのまま対応できる ・誤字脱字・タイポ・変換ミスが多い文書でも有効(レビュー ,チャットなど) ・文書じゃない物にも適応できる( URL, Tex, プログラミングコードなど) ・データが多くても単語の語彙の様に次元が大きくなることはない デメリット ・単語に比べて粒度が小さいので学習に時間がかかる
14.
処理の流れ ①文字を低次元に埋め込む ②カーネルサイズが違う複数のCNNに入れて特徴を出力 ③特徴を一つに結合 ④全結合層に通して分類
15.
①文字を埋め込みむ(2) ・one-hotベクトルじゃなくて、埋め込み表現(分散表現)にしたいよね。 ・埋め込み方は? それもニューラルネットワークに学習させよう。 ・埋め込み層を用意する 。 a b c 文字数 ×
埋め込み次元 行列 埋め込み 対応する文字の行ベクトルを選んで更新する。
16.
②カーネルサイズが違う複数のCNNに入れて特徴を出力(1) filter数:256 カーネルサイズ: 1×2, 1×3, 1×4,
1×5 (stride 横1,縦1)
17.
②カーネルサイズが違う複数のCNNに入れて特徴を出力(2) this is a
pen. → t h i s i s a p e n . 1×2 1×3 1×4 1×5 解釈 様々なWindowで文字のCooccurrence(共起性)を学習してる
18.
③特徴を一つに結合 & ④全結合層に通して分類
19.
TensorFlowで実装
20.
アーキテクチャ図 tf.nn.embedding_lookup
21.
結果 Accuracy 0.921
22.
23.
他のモデルとの比較 Random Forest Logistic
Regression CNN LSTM Char Level 0.861 0.903 0.921 0.900 Word Level 0.882 0.902 0.917 0.918 accuracy 使用したコードはここ https://github.com/Tdual/char_level_cnn
24.
もっと誤字が多い場合は? 実験方法 サイコーです!今まで多くの類似商品を買っ てきましたが、これほど良いものには出会った ことありません。 これからも使い続けたいと思います (*゚▽゚*) テストデータの文章中の文字をランダムな文字に入れ替えて精度がどれくらい落ちるか検証 サイコーで★!今まで多くの ●似商品を買っ *きましたが、これほど良$ものには出会った ことあ@ません。 これからも使▽続けたいと思います
(*゚▽゚*)
25.
誤字・脱字に対する強さ 変えた文字数と精度 100文字変えても精度 が0.8以上
26.
word level CNNで同じことをやる 変えた文字の数と精度 50文字ですでに精度が
0.5 character level
27.
まとめ ・Character level CNNは誤字脱字・タイポ・変換ミスに強い →
SNSメッセージ、チャット、レビューなど最適 (しかも分かち書き不要) ・なんでもかんでもMeCabなどで分かち書きをするのではなくて、 別の方法も検討してみる価値あり
28.
Thank you!
Download now