StarSpace是由Facebook AI Research发布的，旨在将各种数据（如文本、文章、标签等）映射到向量空间中，以便进行相似度判断、分类和推荐等任务。它通过共现矩阵和迭代优化来学习向量表示，适用于文本分类、推荐系统等多种应用场景。要快速使用StarSpace，需要了解其训练模式(trainMode)，例如用于文本分类、搜索、推荐等，并能用Tensorflow Projector进行结果可视化。
原创：张春阳
这篇文章是偶然的机会在看一个 Conference 的时候听到的，当时第一感觉是 StarSpace，哇，在到处都是各种看不懂的字母堆叠的算法名称里，这名字给人的感觉眼前一亮，让我想去看看这篇文章。
一查才知道，文章也是师出有门，是 Facebook AI Research 发表在 2017 年的一篇文章，文章的名字也很有意思， StarSpace: Embed All The Things! ， 要 embed 一切，目标够大！我喜欢！
一直以来，我都很喜欢工业界出的文章，因为总是可以最高效的从里面学习到值得在工作中尝试的 Idea，这篇文章也是这样，实现的方法并不是很难，但是却很好用，并且能够在不同的场景中使用，确实是 embed 一切。说了这么多，你是不是也和我一个表情了，let’s go!
这篇文章主要的时间线是这样的：
- StarSpace 是用来解决那些问题的？
- StarSpace 是怎么做的呢？
- 怎么快速的在工作中用起来 StarSpace？
StarSpace 是用来解决那些问题的？
在自然语言处理中，我们有大量的文本、文章、实体、标签等一大堆东西，我们希望能够通过向量把他们表示出来。因为如果我们能把他们都表示成在同一个空间内的向量，我们就可以对它们做相似度的判断，做分类的工作，做排序的工作了。在基础的任务之上，我们就能够使用它们来构建内容推荐，文本分类、打标签等等的系统了。这些场景在我们现实工程中的意义那就太大了，可以说现在任何一家互联网公司，都存在这些场景，但只是说大家解决的问题的领域可能不一样。
所以，我们可以说，对工业场景中的各种个样的对象做 embeding，是目前在应用场景中能够解决很多问题的基石。这种思路不仅仅在自然语言中，针对一些文字有效，其实在机器视觉的领域也是同样的，都是要想办法把实体映射到某一个向量空间中。
StarSpace 就是这样一种，把各种各样的数据投射到向量空间中的方法。数据包括但不限于：文本、文章、主题、标签、知识图谱等。
StarSpace 是怎么做的呢？
接下来，我们来看看 StarSpace 是怎么做的呢？
这里我们使用一个具体的例子，来说明 StarSpace 的工作原理。假设你现在是一家外卖公司的算法工程师，你的老板希望你能把用户对餐馆的评论进行向量化表示，从而能够实现对于用户的评论打标签的功能。老板通过其他部门收集来的数据就是一些用户的评价，以及花钱请一些“人工只能训练师”标注的标签。 标注的形式如下图所示， d i d_{i} di 表示评论， t i t_{i} ti 表示标签，并且已经标记好了哪些评论和哪些标签是有关系的。比如下图中 d 2 d_{2} d2 就和 t 1 , t 2 , t 4 t_{1},t_{2},t_{4} t1,t2,t
最低0.47元/天 解锁文章
1405
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
