fastText Python 教程
诸神缄默不语-个人CSDN博文目录
fastText Python官方GitHub文件夹网址：fastText/python at main · facebookresearch/fastText
本文介绍fastText Python包的基本教程，包括安装方式和简单的使用方式。
本文所使用的示例中文文本分类数据来自https://raw.githubusercontent.com/SophonPlus/ChineseNlpCorpus/master/datasets/ChnSentiCorp_htl_all/ChnSentiCorp_htl_all.csv。除文中所做的工作外，还可以做停用词处理等其他工作。
其他fasttext Python示例代码可参考：fastText/python/doc/examples at master · facebookresearch/fastText
文章目录
- 1. 安装fastText
- 2. 训练和调用词向量模型
-
- 2.1 代码实现
- 2.2 原理介绍
- 3. 文本分类
-
- 3.1 代码实现
- 3.2 原理介绍
- 4. 量化实现模型压缩
- 5. 模型的属性和方法
- 4. 其他在正文及脚注中未提及的参考资料
1. 安装fastText
首先需要安装numpy、scipy和pybind11。
numpy我是在安装PyTorch的时候，顺带着安装的。我使用的命令行是conda install pytorch torchvision torchaudio cudatoolkit=10.2 -c pytorch。单独安装numpy可以参考使用conda install numpy。
安装SciPy：conda install scipy 或 pip install scipy
安装pybind11，参考官方文档：Installing the library — pybind11 documentation：conda install -c conda-forge pybind11 或 pip install pybind11
安装完前置包之后，安装fastText：pip install fasttext
2. 训练和调用词向量模型
以前我用gensim做过。以后可以比较一下两个包的不同之处。
此外fasttext词向量论文中用的baseline是谷歌官方的word2vec包：Google Code Archive - Long-term storage for Google Code Project Hosting.
2.1 代码实现
官方详细教程：Word representations · fastText（使用的是英文维基百科的语料，本文的实验用的是中文语料）
由于fasttext本身没有中文分词功能，因此需要手动对文本预先分词。处理数据的代码可参考：
import csv,jieba
with open('data/cls/ChnSentiCorp_htl_all.csv') as f:
reader=csv.reader(f)
header = next(reader) #表头
data = [[int(row[0]),row[1]] for row in reader] #每个元素是一个由字符串组成的列表，第一个元素是标签（01），第二个元素是评论文本。
tofiledir='data/cls'
with open(tofiledir+'/corpus.txt','w') as f:
f.writelines([' '.join(jieba.cut(row[1]))+'\n' for row in data])
文件效果：
学习词向量并展示的代码：
import fasttext
model=fasttext.train_unsupervised('data/cls/corpus.txt',model='skipgram') #model入参可以更换为`cbow`
print(model.words[:10]) #打印前10个单词
print(model[model.words[9]]) #打印第10个单词的词向量
（展示词向量也可以使用get_word_vector(word)，而且可以查找数据中未出现的data（事实上词向量是用子字符串总和来表示的））
输出：
Read 0M words
Number of words: 6736
Number of labels: 0
Progress: 100.0% words/sec/thread: 71833 lr: 0.000000 avg.loss: 2.396854 ETA: 0h 0m 0s
['，', '的', '。', ',', '了', '酒店', '是', '', '很', '房间']
[ 1.44523270e-02 -1.14391923e-01 -1.31457284e-01 -1.59686044e-01
-4.57017310e-02 2.04045177e-01 2.00106978e-01 1.63031772e-01
1.71287894e-01 -2.93396801e-01 -1.01871997e-01 2.42363811e-01
2.78942972e-01 -4.99058776e-02 -1.27043173e-01 2.87460908e-02
3.73771787e-01 -1.69842303e-01 2.42533281e-01 -1.82482198e-01
7.33817369e-02 2.21920848e-01 2.17794716e-01 1.68730497e-01
2.16873884e-02 -3.15452456e-01 8.21631625e-02 -6.56387508e-02
9.51113254e-02 1.69942483e-01 1.13980576e-01 1.15132451e-01
3.28856230e-01 -4.43856061e-01 -5.13903908e-02 -1.74580872e-01
4.39242758e-02 -2.22267807e-01 -1.09185934e-01 -1.62346154e-01
2.11286068e-01 2.44934723e-01 -1.95910111e-02 2.33887792e-01
-7.72107393e-02 -6.28366888e-01 -1.30844399e-01 1.01614185e-01
-2.42928267e-02 4.28218693e-02 -3.78409088e-01 2.31552869e-01
3.49486321e-02 8.70033056e-02 -4.75800633e-01 5.37340902e-02
2.29140893e-02 3.87787819e-04 -5.77102527e-02 1.44286081e-03
1.33415654e-01 2.14263964e-02 9.26891491e-02 -2.24226922e-01
7.32692927e-02 -1.52607411e-01 -1.42978013e-01 -4.28122580e-02
9.64387357e-02 7.77726322e-02 -4.48957413e-01 -6.19397573e-02
-1.22236833e-01 -6.12100661e-02 -5.51685333e-01 -1.35704070e-01
-1.66864052e-01 7.26311505e-02 -4.55838069e-02 -5.94963729e-02
1.23811573e-01 6.13824800e-02 2.12341957e-02 -9.38200951e-02
-1.40030123e-03 2.17677400e-01 -6.04508296e-02 -4.68601920e-02
2.30288744e-01 -2.68855840e-01 7.73726255e-02 1.22143216e-01
3.72817874e-01 -1.87924504e-01 -1.39104724e-01 -5.74962497e-01
-2.42888659e-01 -7.35510439e-02 -6.01616681e-01 -2.18178451e-01]
检查词向量的效果：搜索其最近邻居（nearest neighbor (nn)），给出向量捕获语义信息的直觉观感（在教程中英文拼错了也能用，但是中文这咋试，算了）
（向量距离用余弦相似度计算得到）
print(model.get_nearest_neighbors('房间'))
输出：[(0.804237425327301, '小房间'), (0.7725597023963928, '房屋'), (0.7687026858329773, '尽头'), (0.7665393352508545, '第一间'), (0.7633816599845886, '但床'), (0.7551409006118774, '成旧'), (0.7520463466644287, '屋子里'), (0.750516414642334, '压抑'), (0.7492958903312683, '油漆味'), (0.7476236820220947, '知')]
word analogies（预测跟第三个词组成与前两个词之间关系的词）：
print(model.get_analogies('房间','压抑','环境'))
输出：[(0.7665581703186035, '优越'), (0.7352521419525146, '地理位置'), (0.7330452799797058, '安静'), (0.7157530784606934, '周边环境'), (0.7050396800041199, '自然环境'), (0.6963807344436646, '服务到位'), (0.6960451602935791, '也好'), (0.6948464512825012, '优雅'), (0.6906660795211792, '地点'), (0.6869651079177856, '地理')]
其他函数：
model.save_model(path)fasttext.load_model(path)返回model
fasttext.train_unsupervised()其他参数：
dim向量维度（默认值是100,100-300都是常用值）minnmaxn最大和最小的subword子字符串（默认值是3-6）epoch（默认值是5）lr学习率高会更快收敛，但是可能过拟合（默认值是0.05，常见选择范围是 [0.01, 1] ）thread（默认值是12）
input # training file path (required)
model # unsupervised fasttext model {cbow, skipgram} [skipgram]
lr # learning rate [0.05]
dim # size of word vectors [100]
ws # size of the context window [5]
epoch # number of epochs [5]
minCount # minimal number of word occurences [5]
minn # min length of char ngram [3]
maxn # max length of char ngram [6]
neg # number of negatives sampled [5]
wordNgrams # max length of word ngram [1]
loss # loss function {ns, hs, softmax, ova} [ns]
bucket # number of buckets [2000000]
thread # number of threads [number of cpus]
lrUpdateRate # change the rate of updates for the learning rate [100]
t # sampling threshold [0.0001]
verbose # verbose [2]
fastText官方提供已训练好的300维多语言词向量：Wiki word vectors · fastText 新版：Word vectors for 157 languages · fastText
2.2 原理介绍
在论文中如使用词向量，需要引用这篇文献：Enriching Word Vectors with Subword Information
skipgram和cbow应该不太需要介绍，这是NLP的常识知识。skipgram用一个随机选择的邻近词预测目标单词，cbow用上下文（在一个window内，比如加总向量）预测目标单词。
fasttext所使用的词向量兼顾了subword信息（用子字符串表征加总，作为整体的表征），比单使用word信息能获得更丰富的语义，运算速度更快，而且可以得到原语料中不存在的词语。
3. 文本分类
3.1 代码实现
官方详细教程：Text classification · fastText（官方教程使用的数据集是英文烹饪领域stackexchange数据集）
本文中介绍的是one-label的情况，如果想使用multi-label的范式，可参考官方教程中的相应部分：https://fasttext.cc/docs/en/supervised-tutorial.html#multi-label-classification，以及我撰写的另一篇博文：multi-class分类模型评估指标的定义、原理及其Python实现
首先将原始数据处理成fasttext分类格式（需要手动对中文分词，标签以__label__为开头）（由于fasttext只有训练代码和测试代码，所以我只分了训练集和测试集），代码可参考：
import csv,jieba,random
with open('data/cls/ChnSentiCorp_htl_all.csv') as f:
reader=csv.reader(f)
header = next(reader) #表头
data = [[row[0],row[1]] for row in reader] #每个元素是一个由字符串组成的列表，第一个元素是标签（01），第二个元素是评论文本。
tofiledir='data/cls'
#随机抽取80%训练集，20%测试集
random.seed(14560704)
random.shuffle(data)
split_point=int(len(data)*0.8)
with open(tofiledir+'/train.txt','w') as f:
train_data=data[:split_point]
f.writelines([' '.join(jieba.cut(row[1]))+' __label__'+row[0]+'\n' for row in train_data])
with open(tofiledir+'/test.txt','w') as f:
test_data=data[split_point:]
f.writelines([' '.join(jieba.cut(row[1]))+' __label__'+row[0]+'\n' for row in test_data])
文件示例：
训练分类模型，并进行测试，打印测试结果：
import fasttext
model=fasttext.train_supervised('data/cls/train.txt')
print(model.words[:10])
print(model.labels)
print(model.test('data/cls/test.txt'))
print(model.predict('酒店 环境 还 可以 ， 服务 也 很 好 ， 就是 房间 的 卫生 稍稍 马虎 了 一些 ， 坐便器 擦 得 不是 十分 干净 ， 其它 方面 都 还好 。 尤其 是 早餐 ， 在 我 住 过 的 四星 酒店 里 算是 花样 比较 多 的 了 。 因为 游泳池 是 在 室外 ， 所以 这个 季节 去 了 怕冷 的 人 就 没有 办法 游泳 。 补充 点评 2007 年 11 月 16 日 ： 服务 方面 忘 了 说 一点 ， 因为 我落 了 一样 小东西 在 酒店 ， 还 以为 就算 了 ， 没想到 昨天 离开 ， 今天 就 收到 邮件 提醒 我 说 我 落 了 东西 ， 问 我 需要 不 需要 他们 给 寄 回来 ， 这 一点 比 有些 酒店 要 好 很多 。'))
输出：
Read 0M words
Number of words: 26133
Number of labels: 2
Progress: 100.0% words/sec/thread: 397956 lr: 0.000000 avg.loss: 0.353336 ETA: 0h 0m 0s
['，', '的', '。', ',', '了', '酒店', '是', '', '很', '房间']
['__label__1', '__label__0']
(1554, 0.8783783783783784, 0.8783783783783784)
(('__label__1',), array([0.83198541]))
test()函数的输出依次是：样本数，precision@1，recall@1
（这个P@1大概意思是得分最高的标签属于正确标签的比例，可以参考：IR-ratio: Precision-at-1 and Reciprocal Rank。R@1是正确标签被预测到的概率）
predict()函数也可以传入字符串列表。
test()和predict()的入参k可以指定返回的标签数量，默认为1。
储存和加载模型文件的方式与第二节中词向量模型的类似。
train_supervised()其他入参：
epoch（默认值为5）lr（效果好的范围为0.1-1）wordNgrams用n-gram而不是unigram（当使用语序很重要的分类任务（如情感分析）时很重要）bucketdimloss- 使用
hs(hierarchical softmax) 代替标准softmax，可以加速运行
hierarchical softmax：看了一下没太看懂，总之大概来说是用二叉树来表示标签，这样复杂度就不呈线性增长而是呈对数增长了。fasttext中用的是哈夫曼树，平均查询时间最优。fasttext官方介绍：https://fasttext.cc/docs/en/supervised-tutorial.html#advanced-readers-hierarchical-softmax 此外还给出了一个YouTube讲解视频：Neural networks [10.7] : Natural language processing - hierarchical output layer - YouTube one-vs-all或ova：multi-label范式，将每个标签都单独建模成一个one-label分类任务（相比其他损失函数，建议调低学习率。predict()时指定k=-1输出尽量多的预测结果，threshold规定输出大于阈值的标签。test()时直接指定k=-1）
- 使用
input # training file path (required)
lr # learning rate [0.1]
dim # size of word vectors [100]
ws # size of the context window [5]
epoch # number of epochs [5]
minCount # minimal number of word occurences [1]
minCountLabel # minimal number of label occurences [1]
minn # min length of char ngram [0]
maxn # max length of char ngram [0]
neg # number of negatives sampled [5]
wordNgrams # max length of word ngram [1]
loss # loss function {ns, hs, softmax, ova} [softmax]
bucket # number of buckets [2000000]
thread # number of threads [number of cpus]
lrUpdateRate # change the rate of updates for the learning rate [100]
t # sampling threshold [0.0001]
label # label prefix ['__label__']
verbose # verbose [2]
pretrainedVectors # pretrained word vectors (.vec file) for supervised learning []
3.2 原理介绍
在论文中如使用文本分类功能需引用该文献：Bag of Tricks for Efficient Text Classification
感觉是个比较直觉的简单模型，计算词向量后求平均值，计算输出标签。具体细节待补。
4. 量化实现模型压缩
# with the previously trained `model` object, call :
model.quantize(input='data.train.txt', retrain=True)
# then display results and save the new model :
print_results(*model.test(valid_data))
model.save_model("model_filename.ftz")
5. 模型的属性和方法
方法：
get_dimension # Get the dimension (size) of a lookup vector (hidden layer).
# This is equivalent to `dim` property.
get_input_vector # Given an index, get the corresponding vector of the Input Matrix.
get_input_matrix # Get a copy of the full input matrix of a Model.
get_labels # Get the entire list of labels of the dictionary
# This is equivalent to `labels` property.
get_line # Split a line of text into words and labels.
get_output_matrix # Get a copy of the full output matrix of a Model.
get_sentence_vector # Given a string, get a single vector represenation. This function
# assumes to be given a single line of text. We split words on
# whitespace (space, newline, tab, vertical tab) and the control
# characters carriage return, formfeed and the null character.
get_subword_id # Given a subword, return the index (within input matrix) it hashes to.
get_subwords # Given a word, get the subwords and their indicies.
get_word_id # Given a word, get the word id within the dictionary.
get_word_vector # Get the vector representation of word.
get_words # Get the entire list of words of the dictionary
# This is equivalent to `words` property.
is_quantized # whether the model has been quantized
predict # Given a string, get a list of labels and a list of corresponding probabilities.
quantize # Quantize the model reducing the size of the model and it's memory footprint.
save_model # Save the model to the given path
test # Evaluate supervised model using file given by path
test_label # Return the precision and recall score for each label.
model.words # equivalent to model.get_words()
model.labels # equivalent to model.get_labels()
model['king'] # equivalent to model.get_word_vector('king')
'king' in model # equivalent to `'king' in model.get_words()`
4. 其他在正文及脚注中未提及的参考资料
- NLP实战之Fasttext中文文本分类_vivian_ll的博客-CSDN博客_fasttext 中文：这一篇去除了停用词，此外还介绍了gensim包中计算词向量的方法。
- [原创]《使用 fastText 做中文文本分类》文章合集 – 编码无悔 / Intent & Focused：这一篇是使用Java做的，因为数据量很大，所以想用map-reduce实现。数据标签是通过腾讯云文本分类免费API来调取得到的……
- 关于文本分类（情感分析）的中文数据集汇总_樱与刀的博客-CSDN博客_情感分析数据集
- Python3读取CSV数据_柿子镭的博客-CSDN博客_python3读取csv文件
- python读取csv时skipinitialspace参数的使用_vanlywang的博客-CSDN博客