fasttext的基本使用 java 、python为例子

今天早上在地铁上看到知乎上看到有人使用fasttext进行文本分类，到公司试了下情况在GitHub上找了下，最开始是c++版本的实现，不过有java、python版本的实现了，正好拿下来试试手，

python情况:

python版本参考,作者提供了详细的实现，并且提供了中文分词之后的数据，正好拿下来用用，感谢作者，代码提供的数据作者都提供了，点后链接在上面有百度盘，可下载，java接口用到的数据也一样:

http://blog.csdn.net/lxg0807/article/details/52960072

import logging
import fasttext
logging.basicConfig(format='%(asctime)s : %(levelname)s : %(message)s', level=logging.INFO)
#classifier = fasttext.supervised("fasttext/news_fasttext_train.txt","fasttext/news_fasttext.model",label_prefix="__label__")
#load训练好的模型
classifier = fasttext.load_model('fasttext/news_fasttext.model.bin', label_prefix='__label__')
result = classifier.test("fasttext/news_fasttext_test.txt")
print(result.precision)
print(result.recall)
labels_right = []
texts = []
with open("fasttext/news_fasttext_test.txt") as fr:
    lines = fr.readlines()
for line in lines:
    labels_right.append(line.split("\t")[1].rstrip().replace("__label__",""))
    texts.append(line.split("\t")[0])
#     print labels
#     print texts
#     break
labels_predict = [e[0] for e in classifier.predict(texts)] #预测输出结果为二维形式
# print labels_predict
text_labels = list(set(labels_right))
text_predict_labels = list(set(labels_predict))
print(text_predict_labels)
print(text_labels)
A = dict.fromkeys(text_labels,0)  #预测正确的各个类的数目
B = dict.fromkeys(text_labels,0)   #测试数据集中各个类的数目
C = dict.fromkeys(text_predict_labels,0) #预测结果中各个类的数目
for i in range(0,len(labels_right)):
    B[labels_right[i]] += 1
    C[labels_predict[i]] += 1
    if labels_right[i] == labels_predict[i]:
        A[labels_right[i]] += 1
print(A )
print(B)
print( C)
#计算准确率，召回率，F值
for key in B:
    p = float(A[key]) / float(B[key])
    r = float(A[key]) / float(C[key])
    f = p * r * 2 / (p + r)
    print ("%s:\tp:%f\t%fr:\t%f" % (key,p,r,f))

java版本情况：

githup上下载地址：

https://github.com/ivanhk/fastText_java

看了下sh脚本的使用方法，自己简单些了个text的方法，正好用用，后面会拿xgboost进行对比，看看效果，效果可以的写成service进行上线:

package test;
import java.util.List;

import fasttext.FastText;
import fasttext.Main;
import fasttext.Pair;

public class Test {
	public static void main(String[] args) throws Exception {

		String[] text = {
				"supervised",
				"-input",
				"/Users/shuubiasahi/Documents/python/fasttext/news_fasttext_train.txt",
				"-output", "/Users/shuubiasahi/Documents/faste.model", "-dim",
				"10", "-lr", "0.1", "-wordNgrams", "2", "-minCount", "1",
				"-bucket", "10000000", "-epoch", "5", "-thread", "4" };
		Main op = new Main();
		op.train(text);
		FastText fasttext = new FastText();
		String[] test = { "就读", "科技", "学生" ,"学生","学生"};
		fasttext.loadModel("/Users/shuubiasahi/Documents/faste.model.bin");
		List<Pair<Float, String>> list = fasttext.predict(test, 6);  //得到最大可能的六个预测概率
		for (Pair<Float, String> parir : list) {
			System.out.println("key is:" + parir.getKey() + "   value is:"
					+ parir.getValue());
		}
		System.out.println(Math.exp(list.get(0).getKey()));  //得到最大预测概率

	}

}

这里设置bucket不适用设置过大，过大会产生OOM，而且模型保存太大，上面的设置模型保存就有1个g，-wordNgrams可以设置为2比设置为1能提高模型分类的准确性，

结果情况:

key is:0.0   value is:__label__edu

key is:-17.75125   value is:__label__affairs

key is:-17.75125   value is:__label__economic

key is:-17.75125   value is:__label__ent

key is:-17.75125   value is:__label__fashion

key is:-17.75125   value is:__label__game

1.0

注意fasttext对输入格式有要求，label标签使用  “__label__”+实际标签的形式，   over

有问题联系我

2016年5月26   我的模型已经上线了    效果还不错