Learning Label Relationships Using Deep Neural Networks for Hierarchical Text Classification

Abstract

Hierarchical text classification has been receiving increasing attention due to its vast range of applications in real-world natural language processing tasks. With the recent advances in deep learning, deep learning-based approaches achieved state-of-the-art hierarchical text classification performance. While existing approaches focus on exploiting the label hierarchy or modeling implicit label relationships, only a few studies integrated these two concepts. This thesis proposes a graph attention capsule network for hierarchical text classification (GACaps-HTC), a deep learning-based approach designed to capture both the explicit hierarchy and latent label relationships. A graph attention network is employed in the proposed approach for fusing information on the label hierarchy into a textual representation, while a capsule network is employed to understand the latent label relationships and infer classification probabilities. The proposed approach is optimized using a loss term designed to address the innate label imbalance issue of the task and post-processed using various methods specified for hierarchical text classification. Results of the experiments conducted on two benchmark datasets demonstrate that the proposed approach outperformed previous state-of-the-art approaches and ablation studies show that each component in the GACaps-HTC played a part in enhancing the performance.

Furthermore, this thesis proposes a semantic-aware dynamic routing algorithm, a new dynamic routing algorithm that initializes and updates a capsule network's coupling coefficients using semantic representations of labels. As a coupling coefficient of a pair of capsules indicates how similar their information is, the coefficient is initialized from the similarity of semantic representations corresponding to the capsules' labels. Experiment results show that the proposed algorithm outperformed other methods that inject semantic information of labels and GACaps-HTC with semantic-aware dynamic routing algorithm reached faster convergence compared to GACaps-HTC with conventional dynamic routing algorithm.

Finally, this thesis investigates another use case of GACaps-HTC by employing the model for aspect category sentiment analysis that can be formulated as hierarchical text classification. Experiments were conducted on four sentiment analysis datasets, and the results show that the proposed approach performs well on not only the semantic analysis of a document but also sentiment analysis.

계층적 문서 분류는 다양한 분야의 실제 산업의 자연어 처리 관련 과업에 적용될 수 있어 큰 관심을 받고 있는 과업이다. 딥러닝의 발전과 함께 자연어 처리 분야에서도 딥러닝 기반 기법들이 좋은 성능을 기록하고 있으며, 계층적 문서 분류 역시 딥러닝 기반 기법이 기존 기법 대비 최고 성능을 거두고 있다. 그러나 기존 연구는 라벨의 계층 구조에 대한 분석을 효과적으로 수행하거나 계층 구조로는 표현되지 않는 라벨 간 관계의 도출에 집중할 뿐 이 두 접근을 결합한 연구는 많지 않다. 이에 본 논문은 계층 구조를 효과적으로 표현할 뿐만 아니라 내재된 라벨 간 관계 역시 학습하여 분류에 반영하는 딥러닝 기반 기법인 그래프 어텐션 캡슐망(graph attention capsule network for hierarchical text classification, GACaps-HTC)를 제안한다. 그래프 신경망의 일종인 그래프 어텐션 신경망은 문서에서 추출한 표현에 라벨의 계층 구조에 대한 정보를 주입하기 위해 사용되며, 캡슐망은 임의의 두 라벨 사이의 관계를 학습함과 동시에 각 라벨에 대한 분류 확률을 추론하기 위해 활용된다. 본 논문이 제안하는 기법은 계층적 문서 분류 과업이 가지는 라벨 불균형 문제를 해소하기 위한 손실함수로 학습되며 과업에 특화된 다양한 후처리 방법을 도입한다. 계층적 문서 분류 성능을 평가하기 위해 많이 사용되는 두 개의 데이터 셋으로 수행한 실험의 결과, 제안 기법은 기존 기법 대비 성능을 향상시킴을 확인할 수 있었으며, 제안 기법의 각 요소는 해당 성능 향상에 기여함을 확인하였다.

또한, 본 논문은 라벨의 명칭 혹은 문서형 설명을 통해 캡슐망의 연결 계수 초기화 및 갱신을 수행하는 의미 기반 동적 라우팅 알고리즘(semantic-aware dynamic routing algorithm)을 제안한다. 캡슐망 내 두 캡슐 사이의 연결 계수는 두 캡슐 내의 정보 간 유사성을 표현하기에 라벨의 명칭 혹은 문서형 설명에서 추출한 표현 사이의 유사성으로 이를 초기화한다. 실험 결과 해당 알고리즘으로 라벨 정보를 주입하는 방법은 다른 방식으로 GACaps-HTC에 라벨 정보를 주입하는 방법에 비해 좋은 성능을 거두었으며, 제안 알고리즘을 활용할 경우 기존 동적 라우팅 알고리즘에 비해 빠르게 학습이 수렴함을 확인하였다.

마지막으로 본 논문은 제안 기법의 확장 가능성을 평가하고자 속성 카테고리 감성 분석을 계층적 문서 분류로 치환하여 제안 기법을 적용한다. 감성 분석 데이터 셋으로 수행한 실험의 결과, 문서 내 의미적 정보에 대한 분석은 물론 감성적 정보에 대한 분석을 위해 제안 기법을 적용할 수 있음을 확인하였다.