StarSpace（embed all the things嵌入表示）编译和测试

　　StarSpace是Facebook开源的一个嵌入式表示的库，号称可以embed all things，可以学习任何实体的向量表示。其对应的文章为https://arxiv.org/pdf/1709.03856.pdf，对应的开源代码库为：https://github.com/facebookresearch/Starspace。

　　如其主页上所介绍的，StarSpace可以学习到任何实体（单词、句子、文档、用户－网页（推荐类）、关系图、知识图谱、图片）的向量表示，特别是图片，是论文中所没有介绍的。

　　论文中提到的向量学习模型，首先将实体定义为bag－of－features，即类似于词袋模型一样。将实体离散化为特征袋，而特征袋相对而言是在一定的词典范围内的，从而实体的向量表示学习有个损失函数，即使得两两实体之间的距离最小。（相似）

StarSpace

StarSpace is a general-purpose neural model for efficient learning of entity embeddings for solving a wide variety of problems:

• Learning word, sentence or document level embeddings.
• Information retrieval: ranking of sets of entities/documents or objects, e.g. ranking web documents.
• Text classification, or any other labeling task.
• Metric/similarity learning, e.g. learning sentence or document similarity.
• Content-based or Collaborative filtering-based Recommendation, e.g. recommending music or videos.
• Embedding graphs, e.g. multi-relational graphs such as Freebase.
•  Image classification, ranking or retrieval (e.g. by using existing ResNet features).

下面主要是对源码进行编译，具体过程如下：

（1）make，编译可以直接通过，在此之前需要安装boost_1_63_0版本的C++，编译效果如下图所示：

(2) 例子　examples/classification_ag_news.sh，实现对新闻的分类

学习到的向量如图所示：

（3）　对句子的嵌入

examples/wikipedia_sentence_matching_full.sh

由于采用了1 ngrams，其表示结果如下所示：

表示的向量后，可以进行向量的查找，即querypredict

./query_predict  k [basedocs]

(4) 对多关系图的向量表示（知识表示），测试数据为freebase

examples/multi_relation_example.sh

(5) 对文档的嵌入和查找，可以合用embed_doc进行文档的向量表示及时生成

（6）可以实现对图片的向量表示

表示结果如下所示

向量表示之后，将实体转化为向量，可以方便地实现实体的分类等相关操作，如进行可视化可以看出哪些实体比较相似，类似于word2vec的功能。如对cifar10向量表示后采用TSNE进行可视化后，其效果如下：