fasttext作为NPL领域中机器学习的优秀范例值得研究。
模型架构
我对fasttext模型架构理解与CBOW很像。
在训练时，通过N-gram把词向量喂入模型，输出属于各类的概率，并比对标签修正模型
在预测时，输入的是词序列，输出的是属于各类概率，取最大概率
实际上还是一个单层的神经网络系统，一般来说损失函数用得softmax
但是它快的原因，在于使用了Hierarchical softmax其实就是所谓的霍夫曼树结构：该树每个叶节点都是一个词语，softmax的结果无非就是一个概率，那么我们要找某一个词时，就是计算到该单词的路径中概率积。
详细架构，我在论文精读中有介绍
参数调节
fasttext.supervised 参数如下
input_file 训练文件路径（必须）
output 输出文件路径（必须）
label_prefix 标签前缀 default __label__
lr 学习率 default 0.1
lr_update_rate 学习率更新速率 default 100
dim 词向量维度 default 100
ws 上下文窗口大小 default 5
epoch epochs 数量 default 5
min_count 最低词频 default 5
word_ngrams n-gram 设置 default 1
loss 损失函数 {ns,hs,softmax} default softmax
minn 最小字符长度 default 0
maxn 最大字符长度 default 0
thread 线程数量 default 12
t 采样阈值 default 0.0001
silent 禁用 c++ 扩展日志输出 default 1
encoding 指定 input_file 编码 default utf-8
pretrained_vectors 指定使用已有的词向量 .vec 文件 default None
在调参之前，对于训练数据的样本有这样的规定。
每条数据+"\t"+"label_prefix"+标签
也就是标签在每条数据之后，并用label_prefix作为前缀
目前我的实验中word_ngrams，minn，maxn是无法调节的。
主要调节的是min_count ，epoch。前者在数据小的情况下，调1的效果最好，epoch适量，在一定程度上增加该值会提高召回率。
- 有关minn与maxn需要知道n-char的概念
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，
所以对于中文而言，输出的词可能没必要再细分，故n-char可为0，但是在词与词语义中会有一定联系，根据情况来设定n-gram
预测问题
model.predict(list,k)
model.predict_proba(list,k)
第一个函数输出最有可能的k个类
第二个函数输出最有可能的k个类及其概率
第一个参数一定是list！！！！这个值得注意
词向量
fasttext可通过cbow/skipgram两种模型训练词向量
且训练出的词向量距离也能表示相近程度
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=""):
或用
- 参数
input_file 训练文件路径（必须）
output 输出文件路径（必须）
lr 学习率 default 0.05
lr_update_rate 学习率更新速率 default 100
dim 训练的词向量维度 default 100
ws 上下文窗口大小 default 5
epoch epochs 数量 default 5
min_count 最低出现的词频 default 5
word_ngrams n-grams 设置
loss 损失函数 {ns,hs,softmax} default ns
minn 最小字符长度 default 3
maxn 最大字符长度 default 6
thread 线程数量 default 12
t 采样阈值 default 0.0001
silent 禁用 c++ 扩展日志输出 default 1
encoding 指定 input_file 的编码 default utf-8
# skipgram model
model = fasttext.skipgram('train.txt','model',lr = 0.1,dim = 300)
# cbow model
model = fasttext.cbow('train.txt','model',lr = 0.1,dim = 300)
例如我用评论作为训练集，
model = fasttext.skipgram('mydata2.txt','model',lr = 0.1,dim = 10)
print model['好评']
print model['不错']
输出：
[-1.0843074321746826, 0.21589583158493042, 0.1687242090702057, 0.11248864978551865, -0.8439181447029114, -1.3056985139846802, 0.5022682547569275, 0.08825510740280151, 0.8310032486915588, 0.04486303776502609]
[-0.7305361032485962, 1.175795078277588, 0.45464813709259033, -0.3532727360725403, -0.021342813968658447, -0.5648921728134155, 0.4911344051361084, 0.6292283535003662, 0.004915270954370499, 0.2739366292953491]
参考
https://blog.csdn.net/ymaini/article/details/81489599
https://blog.csdn.net/qq_32023541/article/details/80845913
https://www.jianshu.com/p/e828f02e41c8
论文：Bag of Tricks for Efficient Text Classification