深度学习之文本分类 ----FastText

FastText

FastText是一种典型的深度学习词向量的表示方法，它非常简单通过Embedding层将单词映射到稠密空间，然后将句子中所有的单词在Embedding空间中进行平均，进而完成分类操作。

FastText是一个三层的神经网络，输入层、隐含层和输出层。

FastText的优点：

使用浅层的神经网络实现了word2vec以及文本分类功能，效果与深层网络差不多，节约资源，且有百倍的速度提升

深度学习和机器学习的区别：

与传统机器学习不同，深度学习既提供特征提取功能，也可以完成分类的功能。机器学习需要再根据提取到的特征再进行分类。

安装FastText
使用pip安装

pip install fasttext

因为FastText依赖C++的环境，安装的时候可能会报错，有的是C++ 11
有的是C++14看报错里面缺少那个版本的C++环境就安装那个版本的环境就可以了

使用FastText进行文本分类的一般步骤

数据格式的要求：

__label__标签 文本内容  或  文本内容 __label__标签
__label__标签\t文本内容  或  文本内容\t__label__标签
文本内容和标签之间用\t或空格都可以
目前这几种形式都支持

数据预处理：
将原数据处理为数据要求的格式，分词以后词于词之间用空格连接
这个根据自己数据的情况自己进行处理
训练模型

import fasttext
model = fasttext.train_supervised('train.csv', lr=1.0, wordNgrams=2, verbose=2, minCount=1, epoch=25, loss="hs")     # 训练模型
# train.csv 文件路径，也可以是txt文件，里面的参数根据需要调
"""
  训练一个监督模型, 返回一个模型对象
  input:           训练数据文件路径
  lr:              学习率
  dim:             向量维度
  ws:              cbow模型时使用
  epoch:           次数
  minCount:        词频阈值, 小于该值在初始化时会过滤掉
  minCountLabel:   类别阈值，类别小于该值初始化时会过滤掉
  minn:            构造subword时最小char个数
  maxn:            构造subword时最大char个数
  neg:             负采样
  wordNgrams:      n-gram个数
  loss:            损失函数类型, softmax, ns: 负采样, hs: 分层softmax
  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
  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
  lrUpdateRate:    学习率更新
  t:               负采样阈值
  label:           类别前缀
  verbose:         ??
  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
  model object

  """

预测数据
使用predict预测数据，预测一段文本属于的类别

model.predict(x)  # x文本内容 返回的数据格式(('__label__4',), array([0.99441689]))
# 可能性最大的标签和准确率
  

使用test验证模型的准确率，传入的是一个文件，文件的格式和训练集一样
返回一个元组(样本数，精确率，找回率)

模型的保存

 model.save_model("model_cooking.bin")  # 文件路径

模型读取

fasttext.load_model("model_cooking.bin")   # 读取模型

模型的优化

直接使用默认参数去训练模型一般都得不到特别好的结果，可以通过一些手段来优化模型。第一种可以采取的手段是去掉语料库当中的停止词，对于英文的语料库来说，还可以把所有的大写字母都转化成小写字母。另一种可以采取的手段是调整超参数，比如说修改学习速率、修改epoch等，大家可以参照着fastTest的文档去进行相应的调整，fastText的文档中介绍了一种更加方便的自动调参方法，只要我们同时提供训练集和测试集就可以了，带来的精确度提升还是非常显著的：

model = fasttext.train_supervised(input='train.csv', autotuneValidationFile='test.csv', autotuneDuration=600) 
"""
autotuneValidationFile='test.csv',   测试集数据集
autotuneDuration=600                 时间限制，单位为秒，默认为5分钟
"""

# 如果想查看对应的参数，可以使用
对象.属性的方式进行查看

举例：

使用FastText进行文本分类的基本操作就是这些内容，关于深层次的学习大家可以参考
https://fasttext.cc/docs/en/autotune.html