fastText入门

简介
fastText是Facebook AI Research在2016年提出的文本分类和词训练的工具。它最大的特点：模型非常简单，训练速度快，并且能够达到与深度学习旗鼓相当的精度。

最近在做一个给微博内容分类的项目，主要目的是给微博打上商业标签。这个项目是一个经典的多分类任务，传统的方法包括：SVM、TextCNN、LSTM等。上面这些方法都略有尝试，而大名鼎鼎的fastText一直没有尝尝鲜，正好借此机会尝尝鲜。

原理
fastText主要有两个功能：训练词向量和文本分类。除此之外，它的训练中还考虑了N-gram。

训练词向量
word2vec的训练粒度是词语，而fastText进一步考虑了subword粒度。subword是一种character-level的n-gram。例如使用tri-gram，那么词语where可以分解成:

文本分类
若熟悉Continuous Bag of Words(CBOW)的模型结构，你会发现它完全有潜力扩展成一个分类模型：

 

上图左边是word2vec中CBOW的结构，右边是fastText的结构。两类模型的结构区别是：

CBOW使用context(wt−2,wt−1,...,wt+1,wt+2wt−2,wt−1,...,wt+1,wt+2)作为模型输入，而fastText使用document的词(w1,w2,...,wnw1,w2,...,wn)。
fastText使用label作为学习目标，而CBOW使用wtwt。
总结而言，学习目标是造成模型结构不同的决定性因素，即fastText是有监督模型，而word2vec是无监督模型。

在上述模型结构下，hidden层的计算方式是：

hidden=1n∑i=1nwi
hidden=1n∑i=1nwi
由于分类是模型的最终目标，因此需要一个从hidden层到label的映射，常见的映射方法：

Softmax
Hierarchical Softmax
Noise Contrastive Estimation
Negative Sampling
上述方法中，softmax是常见的多分类分类器，其余三种均是对Softmax的近似（通过近似计算，避免过大的归一化代价）。关于Softmax的近似计算，我会在以后的博客中介绍，这里介绍Softmax在fastText的应用。基于Softmax的fastText，其代价函数如下所示：

loss=−1N∑i=1N∑j=1M1(yi=j)log(y^ij)
loss=−1N∑i=1N∑j=1M1(yi=j)log(y^ij)
其中：

y^i=softmax(hiddeni)
y^i=softmax(hiddeni)
N-gram特征
根据上面的介绍，fastText本质上仍是一类基于词袋(bag-of-words)的分类模型，而丢失词顺序是词袋模型最受人诟病的地方。在词袋模型中，常见增加词顺序信息的方法是N-gram。但是增加N-gram的方法，将带来词典包含大量的词汇，进而导致内存溢出。为了解决此类问题，fastText采用了Hash桶的方式，把所有的N-gram哈希到buckets中，哈希到同一个bucket内的n-gram共享一个vector。具体实现过程如下所示：

 

为了更好的表述，如何将n-gram特征转化为hidden层，这里举一个例子。假设一个文本由三个词组成w1w1，w2w2，w3w3，其bigram是w12w12，w23w23，那么此时hidden层的计算公式如下所示：

hidden=15(w1+w2+w3+w12+w23)
hidden=15(w1+w2+w3+w12+w23)
结语
以上便是fastText的基本原理，接下来将介绍fastText在微博中的应用。

[1] 玩转fastText
[2] P. Bojanowski*, E. Grave*, A. Joulin, T. Mikolov, Enriching Word Vectors with Subword Information
[3] A. Joulin, E. Grave, P. Bojanowski, T. Mikolov, Bag of Tricks for Efficient Text Classification
[4] facebookresearch/fastText
---------------------
作者：cptu
来源：CSDN
原文：https://blog.csdn.net/AckClinkz/article/details/81907555
版权声明：本文为博主原创文章，转载请附上博文链接！