融合领域知识图谱的跨境民族文本分类方法

陈春吉 ，毛存礼，雷雄丽，满志博，陆杉，张勇丙

（1.昆明理工大学 信息工程与自动化学院，云南 昆明 650500；
2.昆明理工大学 云南省人工智能重点实验室，云南 昆明 650500；
3.昆明冶金高等专科学校 建筑与艺术学院，云南 昆明 650000）

跨境民族是指居住在不同国家和地区却保留某些原始民族特色，拥有同一民族共同感的民族[1]。例如，中国的傣族和泰国的泰族，在语言、服饰上都有不同程度的改变，却仍保留着原始民族过泼水节，信仰佛教，住竹楼等风俗习惯。跨境民族文化文本是由跨境民族文化中的宗教、服饰、饮食、艺术、建筑、习俗等文化因素组成的文本内容，跨境民族文本分类有助于跨境民族文化的研究与分析。因此，如何利用文本分类技术对跨境民族文化文本数据进行精准分类成为关键。

文本通常包含与该文本类别相关度高的词或句，能够将其发现并提取将极大地提升文本分类的性能。跨境民族文化文本中存在文化类别相互交叉、语义复杂的现象。如表1中的前两条数据，描述泼水节的正文中出现了表示艺术文化的“象脚鼓舞”，表示宗教文化的“浴佛”，这些活动的出现导致类别的交叉，给分类任务造成一定程度的干扰。此外，表示节日活动的泼水节有“浴佛节”“宋干节”以及傣语名称“楞贺桑勘”等多种表述方式，使得跨境民族文本数据中存在实体语义相对复杂的问题。

文本内容由正文和标题构成，标题是正文内容的凝练表达，具有提示和补充正文核心内容的作用[2]，就跨境民族文本数据而言，部分标题存在跨境民族类别特征信息不明显的现象。此外，跨境民族文化正文数据中存在文本内容较长，特征词众多，跨境民族习俗文化相同的问题，如中国的傣族和泰国的泰族都共同拥有节日文化——泼水节，仅从文字的描述往往出现类别的混淆。

针对以上问题，本文提出了融合领域知识图谱的跨境民族文本分类方法，在Yang等[3]提出的分层注意力文本分类方法上进行了改进，并借鉴 Shen等[4]、Bordes等[5]的思想将外部知识信息与文本有效地结合起来辅助正文分类。本文主要贡献如下：

（1）利用跨境民族文化知识图谱对文本中的跨境民族实体进行语义扩展，通过实体在知识图谱中的类别特征来增强文本的类别语义特征。

（2）有效利用标题辅助正文锁定关键词、补充和概括正文的优势将其与正文进行联合，并把提取到的不同层次的特征信息结合到一起辅助分类，初步解决了跨境民族文化类别交叉的问题。

目前面向文本分类任务主要有两类方法：基于传统机器学习的方法和基于神经网络的深度学习方法。

基于机器学习的文本分类方法，如朴素贝叶 斯（Naive Bayes）[6]、支 持 向 量 机（Support Vector Machine）[7]以 及 K 近 邻（K-Nearest Neighbor）[8]等方法。传统的机器学习文本分类方法通常采用不同类型的机器学习算法作为算法分类器，并结合特征工程进行分类，然而存在难以捕获跨境民族文本深层含义和依赖人工提取跨境民族特征等问题。

基于神经网络的深度学习文本分类方法是当今的主流方法。主要分为基于卷积神经网络（Convolutional Neural Networks）、基于循环神经网络（Recurrent Neural Network）、基于注意力机制（Attention Mechanism）的方法，三者被广泛应用在文本分类任务中。（1）基于卷积神经网络的文本分类方法：卷积神经网络由于其提取局部特征的优势被成功引入分类任务中，并取得不错的进展[9-11]。然而，卷积神经网络存在不能捕获长距离依赖信息的缺陷。（2）基于循环神经网络的文本分类方法：循环神经网络因其能处理任意长度数据的特点得到了广泛应用。其中，长短期记忆网络（Long Short-Term Mem⁃ory）、门控循环单元（Gated Recurrent Unit）等方法都是特殊的循环神经网络，在文本的上下文表示以及特征提取方面各有优势，但存在关键词定位不准确的问题。（3）基于注意力机制的文本分类方法：注意力机制通过捕获数据中的重要信息从而提高文本分类的性能[12-15]。Yang等[3]提出了分层注意力网络（HAN），对单词和句子分别使用注意力机制，分别捕获词级、句子级的重要信息。Wang等[13]提出了可应用于视频动作识别的分层注意力网络。针对跨境民族文本分类任务中存在的问题，考虑采用分层网络强大的语义表征能力表示正文内容，对标题仅采用针对单词级别的注意力机制，以提取标题的重要特征。

表1 跨境民族文化文本数据样例Table 1 Asample of cross-border ethnic cultural text data

综上所述，针对特定领域跨境民族文本分类中存在的语义环境复杂，类别交叉的问题，采用传统的机器学习分类算法或者深度学习的神经网络分类算法容易导致跨境民族文化类别的划分不准确。因此，针对领域中存在的类别交叉问题，可采用知识图谱对文本进行实体语义的扩展从而提高文本的分类效果。

跨境民族文化知识图谱通过知识抽取和人工构建的方式构建，其中包含1 064个知识三元组。首先，通过爬虫技术获取维基百科、百度百科以及各大民族网站的跨境民族文化文本数据；
然后，分别利用命名实体识别技术和关系抽取技术得到跨境民族文本中的实体以及关系信息，根据（实体，关系，实体）或者（实体，属性，实体）的方式构建三元组并采用人工的方式进行校对，最后，将其通过Neo4j图数据库进行存储。跨境民族文化知识图谱的构建主要包括三个方面：跨境民族文化知识图谱类别体系构建、跨境民族文化实体属性定义、跨境民族文化关系属性定义。跨境民族文化知识图谱存储在Neo4j图数据库中，具体如图1所示。

图1 跨境民族知识图谱示例Fig.1 Examples of cross-border ethnic knowledge maps

2.1 跨境民族文化知识图谱类别体系构建

跨境民族文化类别的划分是跨境民族文化知识图谱构建的基础性工作。通过对跨境民族文本数据的具体分析，将跨境民族文化文本数据分为六个大类，具体如表2所示。

表2 跨境民族文化类别划分Table 2 Classification of cross-border ethnic cultures

由表2可知，每个类别下具体包含一定数量的精细类别。根据表2对各个跨境民族文本数据的划分可获得某个跨境民族的文化架构，如傣族文化习俗文本数据可以将其分为：傣族节日文化、傣族丧葬文化、傣族婚姻文化等。

2.2 跨境民族文化实体属性定义

跨境民族实体是对跨境民族文化信息的客观表达，跨境民族实体属性的定义是对跨境民族文化领域实体的规范化统一。实体属性的加入使得跨境民族文化知识图谱更加丰富，从而更好地体现跨境民族文化间的差异，具体如表3所示。

表3 跨境民族实体属性定义Table 3 Definition of cross-border ethnic entity attributes

由表3可知，实体的属性主要包括：跨境民族实体名称、跨境民族实体别称、跨境民族实体描述内容以及跨境民族实体类别标签。例如有实体：“糯米酒”，则实体的别称为：“劳毫糯”，实体的描述内容为“傣族酒，傣族特制饮品”，实体类别标签为“傣族饮食文化，傣族饮品文化”。

2.3 跨境民族文化关系属性定义

跨境民族关系是跨境民族文化实体间联系的桥梁，是对跨境民族文化领域知识图谱中跨境民族知识的关联整合。跨境民族文化中的实体关系定义主要分为以下几种：包含关系、属性关系、位置关系。跨境民族实体关系的建立使得跨境民族文化知识图谱可视化性能、查询性能得到有效加强。具体如表4所示。

由表4可知，对于跨境民族文化实体“泼水节”不仅属于傣族节日，同时拥有“划龙舟”这一节日活动，同一实体在不同的语境中所涉及的关系不尽相同，对实体间关系的准确划分将对跨境民族文化知识图谱的构建提供有效保障。

表4 跨境民族实体关系举例Table 4 Examples of cross-border ethnic entity relationships

融合领域知识图谱的跨境民族文本分类模型具体如图2所示，该模型主要由输入层、特征提取层、输出层组成。

图2 融合领域知识图谱的跨境民族文本分类模型图Fig.2 Cross-border ethnic text classification model diagram fused with domain knowledge map

3.1 输入层

输入层用来捕获正文和标题中词级语义关系以及每个词对句子的重要性程度。由于正文和标题的结构不同，标题是比较凝练的单句，正文往往由多个句子构成，实体语义相对复杂，为此在正文中融入跨境民族文化知识图谱的实体语义信息辅助正文进行特征编码。本文采用两种不同的方式对标题和正文进行编码，具体如图2中输入层。

（1）标题词向量编码层

跨境民族文化数据中存在大量的专业名词，普通的分词工具缺少跨境民族文化词库，导致分词效果差，进而影响后续分类工作。例如：“傣族信奉南传上部座佛教”，在不使用跨境民族文化词库时得到的结果是“傣族信奉南传上部座佛教”然而“南传上部座佛教”是专业名词，不可将其分开，类似的词语在跨境民族文化中还有很多。为此，本文利用人工构建的跨境民族文化词库来辅助jieba工具分词，使用Word2Vec模型对现有的跨境民族文化数据训练得到词向量，并利用跨境民族词向量获得标题中每个词wi，i∈[1，N]的嵌入表征xi∈R100，其中，N代表标题中词的个数。

采用双向门控循环单元（BiGRU）获得标题的词级表示。BiGRU包含从前向GRU获得标题x1到xN的隐藏向量表示和后向GRU获得xN到x1的隐藏向量表示。具体操作如下：

其中hi表示标题中第i个单词的前向和后向隐状态信息的结合

（2）标题特征提取层

标题的特征提取采用Shen等[4]提出的掩码自注意力机制，与普通的注意力不同的是，掩码自注意力网络是一个多维度的自注意力网络，针对跨境民族文化文本数据中那些在不同语境下意义不同的单词，如：“泼水节”既可以表示为傣族节日也可表示为泰族节日，通过掩码自注意力机制可以将上下文信息结合起来，从而更好地辅助分类。

首先，为标题中的每个词计算对齐分数，接着采用Softmax函数进行归一化计算概率分布，值越大说明标题中的某个词贡献了重要的信息。具体如下所示：

其中f(hi，hj)∈Rde是与输入h维度相同的向量，W(1)，W(2)∈Rde×de表示权重矩阵；
tanh(∙)表示激活函数；
c表示为标量，实验中通常设置c=5，用来减少参数的数量。Mij1中1代表全是1的向量，Mij代表编码时序信息的掩码矩阵。为了获得双向的注意力分数，分别在公式（2）中采用前向的掩码矩阵和反向的掩码矩阵，掩码矩阵的具体表示如下：

其次，该注意力机制的输出表示标题中所有词嵌入的加权和，其中权重由给出，可以将输出写为根据词的重要性采样的令牌期望，即：

最后，标题的输出t∈R2de×N（前向输出tfw和后向输出tbw的计算方式一致）由注意力机制的输出sbw以及标题的输入h通过融合门控机制得到，这将为标题中的每个元素生成一个上下文感知以及时序编码的向量表示。具体如下：

（3）跨境民族文化知识图谱特征表示

结合Bordes等提出的TransE模型进行跨境民族实体语义的扩展，利用TransE模型将跨境民族文化知识图谱中三元组的实体和关系表示在同一个向量空间中。例如，有跨境民族文化知识三元组（傣族，傣族节日，关门节）。首先，分别对头实体、尾实体、关系进行标记处理。将实体标记为（傣族，0）、（关门节，1）；
关系标记为（傣族节日，0）。实体的标签由实体的别称和实体的类别标签构成，故实体“傣族”的标签记为（掸族，0_0）和（跨境民族，0_1）；
实体“关门节”的标签记为（进洼，1_0）和（傣族节日文化，1_1）。之后，将实体向量、关系向量以及训练数据随机初始化后输入到TransE模型中进行训练。通过不断调整训练参数使其满足公式（10）的目标函数，最终得到实体的向量表示[e傣族，e关门节]，关系向量表示[r傣族节日]以及标签向量（包含别称和类别标签）为[l掸族，l跨境民族，l进洼，l傣族节日文化]，再把相应的实体向量和关系向量进行对位相加得到实体语义向量为：

最后将所有实体的实体语义向量进行存储得到跨境民族实体语义向量表。

在模型训练过程中，为了验证跨境民族三元组的知识表示是否正确，需要根据正确的跨境民族文化知识三元组S构造一些错误的跨境民族文化知识三元组S"，并通过公式（10）对其进行衡量，正确的三元组获得较高的分数，错误的三元组获得较低的分数，TransE定义的损失函数具体如下：

其中S表示正确的跨境民族文化知识三元组；
S"表示随机构造的负样例，构造方法为随机将正确的跨境民族文化知识三元组中的实体和关系替换为其他的元素；
lh"和lt"表示随机构造的头实体和尾实体标签；
γ是大于0的间隔距离参数；
[∙]+表示正值函数，当[∙]>0 时，[∙]+=[∙]，当[∙]<0时[∙]+=0。

（4）跨境民族文本特征编码层

正文的特征编码和标题基本一致，不同的是正文由多个句子构成，而标题是简短的句子。首先，将正文分为多个句子Jj，j∈[1，M]，其中M代表句子的个数。采用分词处理得到词向量wjk，k∈[1，N]，其中N代表句子的长度。通过实体在文本中的位置可以将这两种向量对位相加得到文本的词向量，融合过程如下所示：

其中Ei的维度和wjk一致，Ei表示通过TransE表征过的实体语义特征信息。例如文本：泼水节是傣族最隆重的节日。首先提取两个字以上的词语并通过跨境民族实体语义向量表查找相应的实体语义向量可得到[E傣族，E泼水节]。之后根据跨境民族词向量得到正文的向量表示[w泼水节，w是，w傣族，w最，w隆重，w的，w节日]，最后将文本向量与能查找得到的实体语义向量进行融合可得到

使用BiGRU进行编码得到正文隐向量hi，采用掩码自注意力网络（Masked-Self-Attention）进行正文句子特征提取，得到正文词级特征向量表示为：

之后将正文和标题的特征向量进行融合，

3.2 特征提取层

跨境民族文化文本句子中常存在时间顺序、因果关系和其他的逻辑关系。不同的句子可能包含不同的跨境民族特征信息。因此，特征提取层用来捕获正文和标题之间的上下文依赖关系。具体为图1中的第二部分。

（1）融合标题和正文的跨境民族特征提取层

融合标题和正文的特征提取层负责连接和融合标题和正文中的信息并进行特征的提取。通过3.1节输入层可以得到标题和正文的词级特征编码矩阵V。将融合了标题和正文的文本特征矩阵输入到掩码自注意力模型获得前向的特征矩阵和后向的特征矩阵，通过融合得到特征矩阵，其中，“||”表示连接操作。之后将Sei作为输入采用Sorce2Token网络进行句子间特征的提取，具体如下所示：

（2）跨境民族上下文特征融合层

上下文特征融合层通过采用BiGRU获得全局信息的上下文编码矩阵。与3.1节中词向量特征编码不同的是前者将标题和正文分别进行特征的提取，后者对标题和正文信息联合后的全局特征提取，且对标题和正文之间的交互更加关注，具体如下所示：

3.3 输出层

本层是为了判断跨境民族文化的28个类别，通过Softmax函数计算属于某个类别的概率，具体为图2中的输出层：

最终得到的y表示跨境民族文化类别的概率分布，Wi∈R4de×L表示可训练的权重向量。

4.1 实验数据集

模型训练数据集主要包括4个跨境民族（傣族、泰族（泰国）、彝族、倮倮族（越南）），共选取39 450条数据作为训练集，2 144条数据作为测试集。其中每个类别的数据的数量为1 000～1 500条。其中标题的长度大多集中在10到20个字符，正文的长度在100到250个字符之间，正文中的句子为5到10句，跨境民族文化数据选取的类别如表5所示，其中NA表示文本不属于任何一个类型。

4.2 参数设置及评价指标

本文将标题的长度设置为20，正文句子长度设置为35，正文句子个数设置为6，采用Gen⁃sim工具包中的Word2Vec模型训练词向量，词向量的维度为100维，采用Adam算法作为加快模型训练速度的优化器，将实验参数学习率设为0.02，批次处理大小设为16；
训练轮次设置为20。本文的评价指标主要采用准确率（Acc.）、精确率（P）、召回率（R）和F1值。

4.3 实验结果及分析

为了验证模型的性能，文本分别设置了四组实验：基线模型对比实验、消融实验、领域分词对模型性能的影响以及Dropout_rate对模型性能的影响。

表5 数据集类别设置Table 5 Settings for category of data set

实验一 基线模型对比实验

为了验证本文模型的有效性，该实验将6个基线模型和本文模型在仅正文和标题联合正文两种情况下进行训练，实验结果对比如表6所示。

（1）DPCNN[16]：Johnson等提出的一种新型的CNN结构，具有提取远程依赖信息和计算复杂度不高的特性。

（2）FastText[17]：具有快速训练文本和快速预测文本的特点。

（3）TextCNN[9]：Kim 等提出的面向文本分类的卷积神经网络，能更好捕捉局部特征。

（4）TextRCNN[18]：Lai等提出的使用一个双向递归网络层和一个池化层来提取文本特征信息。

（5）Bert[19]：Google发布的语言表示模型，具有更加高效、能捕捉更长距离依赖的特性。

（6）HAN[3]：Yang等提出的用于文档集分类的分层注意力网络。

表6 本文方法与基线模型方法的对比Table 6 Comparison between the method of paper and the baseline model methods

由表6可知，6个基线模型在数据集为仅正文和标题联合正文两种情况下均取得了合理的实验结果，其中本文模型的性能相比基线模型更加突出。表6中的大部分基线模型在仅正文的情况下的性能都没有超过标题联合正文的性能，但DPCNN、TextRCNN模型在仅正文情况下F1值分别达到了76.1%、76.9%，在标题联合正文的情况下F1值分别为72.7%、76.3%，下降了3.4%、0.6%，说明了将正文和标题进行简单的拼接操作，并不能很好的利用两者之间的关系，反而给正文增加了冗余信息，影响模型的性能。

在仅正文的情况下，本文模型的ACC值为81.2%，F1值为72.6%，模型效果不明显，在标题联合正文的情况下F1值提升了14.3%，该结果证明了本文方法能够充分利用标题和正文之间的联系，以及将标题和正文的联合输入对于模型性能的提升具有很好的效果。相比于Bert这种大型的预训练模型，本文的方法在标题联合正文的情况下ACC值提高了13.9%，F1值提高了9.1%，验证了本文方法可以更好地适应跨境民族文化分类工作。

值得注意的是，基线模型和本文模型在标题联合正文的实验结果均高于仅正文输入的实验结果。此外，本文方法在标题联合正文的情况下Acc、P、R、F1值都相对较高，平均增加了11.87%，该实验结果证明了标题具有辅助正文分类的特性，以及将标题和正文联合这一观点的合理性。

实验二 消融实验

为了了解本文提出的各个模块对分类所做的贡献，第二组实验采用本文提出的模型的不同变体来进行验证，以下是不同的模型变体设置。

（1）-masked-self-attention：表示在输入层中去除掉正文和标题的特征提取，将提取词级特征的掩码自注意力机制换成简单的注意力模型。

（2）-融合标题和正文的特征提取层：表示未使用融合标题和正文的句子级特征提取，将输入层中获得的标题和正文的特征编码向量拼接后输送到上下文融合层中。

（3）-上下文特征融合层：表示未使用BiG⁃RU进行上下文特征的提取，将提取到的特征信息输送到输出层进行分类。

（4）-TransE：表示未使用跨境民族文化知识图谱进行实体语义的扩展。

由表7可知，在删掉模型中的某一层时，本文方法的ACC、P、R和F1值均有所下降。在“（-）融合标题和正文的特征提取层”和“（-）上下文特征融合层”两种情况下，相比于本文模型实验结果的ACC、P、R和F1值略微下降，由此表明了“融合标题和正文的特征提取层”在文中捕捉句间关系的能力以及“上下文特征融合层”整合上下文特征信息的优势，在本文模型中起到了关键的作用。特别地，“（-）masked-self-attention（词级）”中 ACC、P、R、F1值下降最为明显，分别下降了17.1%、14.7%、20.6%和18.7%，这种现象的出现表明了针对跨境民族文化的语义环境复杂问题，仅采用简单的注意力机制无法关注到上下文特征。

表7 消融实验Table 7 Ablation experiment

此外，在“（-）TransE”情况下，实验删去了对正文内容进行跨境民族实体语义的增强，实验结果显示ACC、P、R、F1值均有所下降，但相比于基线模型，本文提出的模型在不使用实体语义增强的情况下仍然具有较好的性能，此现象支持了本文提出的方法在特征提取方面的优势以及跨境民族文化知识图谱的融入能够增强实体语义这一结论。

实验三 领域分词对模型性能的影响

为了验证领域分词对模型性能的影响，本实验分别采用通用分词（即：仅采用jieba分词进行分词）和领域分词（即：采用跨境民族文化领域词库+jieba分词进行分词）进行对比实验，结果如表8所示。

表8 领域分词对实验结果的影响Table 8 Influence of domain word segmentation on experimental results

通过表8可知，在跨境民族文化文本分类任务中采用领域分词的模型性能明显优于直接使用jieba分词的分类效果。这是因为跨境民族文本数据中存在大量的专业名词，单纯地采用jieba分词往往达不到理想的效果，如：“香竹糯米饭”采用jieba分词可能得到“香竹糯米饭”两个词，然而“香竹糯米饭”是专业名词，是不可分的。因此，采用领域分词可以更好地辅助模型进行跨境民族文化特征信息的提取，从而提高分类性能。

实验四 Dropout_rate对模型性能的影响

本实验通过设置不同的Dropout_rate参数进行实验以找到最适合本文模型的参数Drop⁃out_rate值，实验结果如图3所示。

图3 Dropout_rate对模型性能的影响Fig.3 The impact of Dropout_rate on model performance

由图3中可以看出，当Dropout_rate=0.7时模型性能最低，F1值为50.3%，ACC值为66.9%，原因是Dropout_rate设置得过高时，模型学习到的特征信息较少，使得模型性能明显降低。当Dropout_rate=0.1时，F1值为77.1%，ACC值为87.2%，原因是Dropout_rate设置得过低时，模型学习到的信息量较大，导致模型出现过拟合现象。

本文针对跨境民族文化文本分类中面临类别交叉的问题，提出了融合领域知识图谱的跨境民族文本分类方法，利用跨境民族文化知识图谱对文本中的跨境民族实体进行语义扩展，通过实体在知识图谱中的类别特征来增强文本的类别语义特征。在此基础上有效利用标题辅助正文锁定关键词、补充和概括正文的优势将其与正文进行联合，并把提取到的不同层次的特征信息结合到一起提升分类的效果，实验结果表明本文提出的方法在跨境民族文化领域相对基线模型具有更好的性能。下一步可考虑将该方法应用于更细粒度的跨境民族文化分类任务。