FastText学习笔记

目标

• 了解fasttext
• 使用fasttext进行分类

分类问题

首先介绍分类问题，以二分类问题为例。目前具有人工标注的数据集，数据集分为2类标签，正例和反例。数据示例如下:

• 正例: 印度药企对中国市场充满期待
• 反例: 中国驻维也纳代表团举办改革开放40周年活动

预测新样例的类别

我国东部第一口干热岩钻井获得成功 => [正例?/反例?]

FastText简介

fasttext结构

• xi x i : 一个句子的特征，初始值为随机生成(也可以采用预训练的词向量)
• hidden: xi x i 的平均值
• output: 样本标签

目标函数

• N N : 样本个数
• yn y n : 第n个样本对应的类别
• f f : 损失函数 softmax/ns(negative sampling)/hs(hierarchical softmax)
• xn x n : 第n个样本的归一化特征
• A A : 权重矩阵(构建词，embedding层)
• B B : 权重矩阵(隐层到输出层)

词向量初始化

一个句子的embedding为 [iw1,iw2,...,iwn,ow1,ow2,...,ows] [ i w 1 , i w 2 , . . . , i w n , o w 1 , o w 2 , . . . , o w s ]

• iwi i w i : 语料中出现的词，排在数组的前面
• owi o w i : n-gram或n-char特征
• 初始化为随机数, 如果提供预训练的词向量，对应的词采用预训练的词向量

hierarchical Softmax

图片来源 https://blog.csdn.net/itplus/article/details/37969519

• 当语料类别较多时，使用hierarchical Softmax(hs)减轻计算量
• hs利用Huffman 树实现，词(生成词向量)或label(分类问题)作为叶子节点
• 根据词或label的count构建Huffman 树，则叶子到root一定存在一条路径
• 利用逻辑回归二分类计算loss

n-gram和n-char

fasttext方法不同与word2vec方法，引入了两类特征并进行embedding。其中n-gram颗粒度是词与词之间，n-char是单个词之间。两类特征的存储均通过计算hash值的方法实现。

n-gram

示例: who am I? n-gram设置为2

n-gram特征有，who, who am, am, am I, I

n-char

• 示例: where, n=3, 设置起止符<, >
• n-char特征有，

模型压缩

为了减小模型大小和内存占用量，fasttext针对分类问题的模型提供了模型压缩的方法，采用的模型压缩方法，模型压缩之后可能会造成准确率和召回率的下降。

训练词向量模型

fasttext作为训练词向量任务，有2种类型的模型，一是根据周围词语预测自身的cbow(continuous bag-of-words)模型，另一个是根据自身预测周围词的skip-gram(continuous skip-gram)模型。2种类型的示例图如下：

• cbow

  

  图片来源 https://blog.csdn.net/itplus/article/details/37969519

• skipgram
  
  

  图片来源 https://blog.csdn.net/itplus/article/details/37969519

FastText分类(python)

语料准备

语料示例

\__label__1 印度 药企 中国市场 充满 期待

• __label__: 类别前缀，涉及fasttext参数-label，两者需保持一致，构造词典时根据前缀判断是词还是label
• 1: 类别id，用来区分不同类，可自定义
• “印度 药企 中国市场 充满 期待”: 分词结果

API介绍

为使用fasttext的python版，前提安装fasttext，从github下载最新代码并安装，并

from fastText import train_supervised, load_model

• 分类问题模型训练

  def train_supervised(input, lr=0.1, dim=100, 
                     ws=5, epoch=5, minCount=1, 
                     minCountLabel=0, minn=0, 
                     maxn=0, neg=5, wordNgrams=1, 
                     loss="softmax", bucket=2000000, 
                     thread=12, lrUpdateRate=100,
                     t=1e-4, label="__label__", 
                     verbose=2, pretrainedVectors=""):
    """
    训练一个监督模型, 返回一个模型对象
  
    @param input: 训练数据文件路径
    @param lr:              学习率
    @param dim:             向量维度
    @param ws:              cbow模型时使用
    @param epoch:           次数
    @param minCount:        词频阈值, 小于该值在初始化时会过滤掉
    @param minCountLabel:   类别阈值，类别小于该值初始化时会过滤掉
    @param minn:            构造subword时最小char个数
    @param maxn:            构造subword时最大char个数
    @param neg:             负采样
    @param wordNgrams:      n-gram个数
    @param loss:            损失函数类型, softmax, ns: 负采样, hs: 分层softmax
    @param bucket:          词扩充大小, [A, B]: A语料中包含的词向量, B不在语料中的词向量
    @param thread:          线程个数, 每个线程处理输入数据的一段, 0号线程负责loss输出
    @param lrUpdateRate:    学习率更新
    @param t:               负采样阈值
    @param label:           类别前缀
    @param verbose:         ??
    @param pretrainedVectors: 预训练的词向量文件路径, 如果word出现在文件夹中初始化不再随机
    @return model object
  
    """
    pass

• 词向量训练

  fasttext不仅可以进行文本分类，也可以训练词向量，准备语料时，只需要去掉原始数据中的label标签即可。

  def train_unsupervised(input, model="skipgram", lr=0.05, dim=100, 
                     ws=5, epoch=5, minCount=5, 
                     minCountLabel=0, minn=3, 
                     maxn=6, neg=5, wordNgrams=1, 
                     loss="ns", bucket=2000000, 
                     thread=12, lrUpdateRate=100,
                     t=1e-4, label="__label__", 
                     verbose=2, pretrainedVectors=""):
    """
    训练词向量，返回模型对象
    输入数据不要包含任何标签和使用标签前缀
  
    @param model: 模型类型, cbow/skipgram两种
    其他参数参考train_supervised()方法
    @return model
    """
    pass

  ​

• 模型压缩

  def model.quantize(self, input=None, qout=False, cutoff=0,
                   retrain=False, epoch=None, lr=None, thread=None,
                   verbose=None, dsub=2, qnorm=False):
    """
    减小模型大小和内存占用
  
    @param input:   训练数据文件路径
    @param qout:    是否修剪输出层
    @param cutoff:  重新训练的词和n-gram的个数
    @param retrain: 是否重新训练
    @param epoch:   次数
    @param lr:      学习率
    @param thread:  线程个数
    @param verbose: ?
    @param dsub:    压缩方法将向量分成几块, 每块大小
    @param qnorm:   是否归一化(l2范数)
  
    """
    pass

• 模型存储

  def model.save_model(self, path):
    """
    把模型存储到给定的路径
  
    @param path: 模型路径
    """
    pass

• 模型单例预测

  def model.predict(self, text, k=1, threshold=0.0):
    """
    模型预测，给定文本预测分类
  
    @param text:       字符串, 需要utf-8
    @param k:          返回标签的个数
    @param threshold   概率阈值, 大于该值才返回
    @return 标签列表, 概率列表
    """
    pass

• 模型批量预测

  def model.test(self, path, k=1):
    """
    根据给定的测试数据进行模型评价
  
    @param path: 测试数据路径
    @param k:    返回标签的个数
    @return [样本个数, 准确率, 召回率]
    """
    pass

• 模型加载

  def load_model(path):
    """
    从给定的路径加载模型, 返回一个模型对象
  
    @param path: 模型路径
    @return model object
    """
    pass

分类评测

根据precision, recall, f1值进行评测算法性能

参考文献

1. word2vec详解 https://blog.csdn.net/itplus/article/details/37969519
2. fastText源码 https://github.com/facebookresearch/fastText
3. 分层softmax和n-gram https://arxiv.org/abs/1607.01759
4. N-gram https://arxiv.org/abs/1607.04606
5. 模型压缩 https://arxiv.org/abs/1612.03651