fasttext简介

fasttext的基础理论

前言简介

fasttext是NLP里，一个非常高效的，基于词向量化的，用于文本分类的模型。虽然其原理比较简单，但是其中涉及到了不少的用于提速和准确率的小技巧。

这篇文章主要从理论的层面（一直想有时间去扒源码来看看来着）介绍这些小技巧，而对于和word2vec部分中类似的地方会简单提到，但是不会展开说明（这个作者先提出的word2vec，后来提出的fasttext，二者有不少相似之处）Word2vec的相关内容参考peghoty所写的word2vector中的数学原理详解.pdf[1]。

当然本文做的介绍不可能面面俱到，而且很多地方也可能理解不准确，希望大家不吝赐教。

正文

fasttext和word2vec中的CBOW非常类似，对于每一个文本而言，第一步是将所有单词向量化后作为输入；第二步是将输入的所有向量在隐藏层进行平均化处理得到新的向量；第三步输出预测值。接下来我们分别对这三部进行具体的解释。

第一步：输入
在word2vec中，它的输入就是单纯的把词袋向量化。但是在fasttext还加入了n-grams的思想。举个例子“我 喜欢 她“，如果只用这几个词的组合来反映这个句子，就是（”我”，”喜欢”，”她”），问题来了，句子“她 喜欢 我”的词的组合也是（”我”，”喜欢”，”她”），但这两个句子的意思完全不同，所以如果只用句子里的词来代表这个句子的意思，是不准确的，所以我们要加入n-grams，比如说取n=2，那么此时句子“我 喜欢 她“的词语组合就是（”我”，”喜欢”，”她”，”我喜欢”，”喜欢她”）这就和句子”她喜欢我”所得到的词语组合不同了，我们也能因此区分开这两个句子。

所以此时我们的输入就是（”我”，”喜欢”，”她”，”我喜欢”，”喜欢她”）向量化后的5个向量，词向量化参照[1].

第二步：中间层
其实这一步的思想更加朴素，就是将第一步中输入的向量相加再求平均，得到一个新的向量 w w ，然后将这个向量输入 输出层。

第三步：输出层
按照一般的多分类思想，我们的输出应该采用一个基于线性分类思想的softmax值，但当 w w 的维度n*1比较高且分类种类k比较多的时候，计算量会比较大，因为此时我们作用于w的是一个k*n的矩阵A，y = Aw，y是k*1的向量，经过softmax后，每个位置对应的就是那一类的概率，而这个A是需要我们训练计算的，所以这时的时间复杂度时 O(kn) O ( k n ) 。此时就可以用huffman编码树作为输出，而不是一个向量，我们把这种方法叫做：hierarchical softmax。以此图作为参考：

每个子节点都是一个类，根节点的输入是 w w ，每次在节点分叉处，我们只需要用LR(逻辑回归)的思路处理一个二分类问题： y(p=1)=11+e−θw y ( p = 1 ) = 1 1 + e − θ w ，其中 θ θ 是一个1*k的参数向量，所以该过程计算复杂度是O(n)，而这颗树的平均深度是 O(logk) O ( l o g k ) ，所以此时的时间复杂度是 O(nlogk) O ( n l o g k ) .所以在fasttext的实现中，采用的是这种hierarchical softmax。

计算方法
说明：这一节内容在原文Bag of Tricks for Efficient Text Classification（高效文本分类技巧）[2]中并没有提到，我也是根据[1]中的计算进行的推测，难免谬误之处，望不吝赐教。

不难发现，这个模型的搭建和神经网络有点类似，不过比神经网络朴素很多，而且计算上也不会采用后向传播法，而是采用极大似然估计+梯度下降法就能处理，接下来进行具体说明。

首先需要明确的是我们的未知数，理论上来说，每个词的向量化都是未知的，但是我们关心的是它们的平均向量 w w ，所以我们每次训练迭代只需要更新 w w 而非每个词的向量即可。除此之外，在这颗huffman树里的每个非叶节点 Ri R i 上都有个未知参数 θi θ i ，这也是需要每次迭代更新的。已知的是分类标签y，这个y一定在这颗树的某个子节点上，假设从根节点到y的路径是 L(Rp1,Rp2,...Rpd) L ( R p 1 , R p 2 , . . . R p d ) ，其中 Rpi R p i 代表路径在深度 i i 处的所处的节点。我们的目标是由根节点出发，到达节点y的概率最大化（极大似然估计）：

maxθ∏i=1dP(Rpi) m a x θ ⁡ ∏ i = 1 d P ( R p i )

这 P(Rpi) P ( R p i ) 指的是从 Rpi R p i 上一个节点（ Rpi−1 R p i − 1 ）到它的概率，也就是上面所述的含有参数\theta的sigmoid函数。举个例子，如果 Rpi R p i 是 Rpi−1 R p i − 1 的右子节点，那么 P(Rpi) P ( R p i ) 就是 p(y=1)=11+e−θpi−1w p ( y = 1 ) = 1 1 + e − θ p i − 1 w (注意这里角标是i-1，大家想清楚是为什么，这也是为什么叶节点处不需要参数 θ θ )

到此我们的目标就确定了，剩下的就是通过随机梯度下降法（sgd）来求解这个极大似然估计，注意这里我们需要把目标函数拆成一个个 P(Rpi) P ( R p i ) 来进行计算（看起来这条路径每个节点都和上一个节点有关，但实际上并不是一个条件概率，读者可以自己思考），一方面是因为这些概率本身就是互相独立的，另一方面不拆开的话不然无法使用sgd。大体的更新思路是对 θ θ 和 w w 要做到“同步更新”，详细操作参考[1]的4.1节。

结尾
至此基本对fasttext的介绍就结束啦，但是笔者也遇到了2个没有想明白的问题。

1.在[2]中提到的对于n-grams使用hash技巧，我不是很明白是怎么个意思，原作者给了两篇参考文献还没来得及看，坐标位于[2]中的2.2里的(Weinberger et al. 2009)[3]和 (Mikolov et al. 2011)[4]两篇文章。

2.对于计算方法一步中，我们更新的是向量平均值 w w ，但是我们最后还是希望得到每个词具体对应的向量，我们如何去得到每个词自己的词向量了？还是一开始就应该是对每个词的词向量进行更新？（因为[1]一文中就是对这个 w w 进行更新，所以我就照着它写的，这个问题估计要扒源代码才能彻底明白）。

答:我们用梯度下降法的时候直接对每个词的词向量向量进行更新即可，而不是对他们的平均值进行更新，这样就可以避免这个问题了。
链接汇总：
[1]word2vector中的数学原理详解.pdf
[2]Bag of Tricks for Efficient Text Classification（高效文本分类技巧）