使用fastText进行文本分类及源码分析时的一点感受

       最近工作涉及到文本分类问题，就尝试用了一下fastText库，fastText是facebook开源的一个词向量计算以及文本分类工具库，准确率比肩深度学习。如其名，fastText在训练时贼快，这也是该库最大的优势，相比cnn动辄几小时、十几小时的漫长训练过程，fastText只需几分钟就训练完成，比如我训练使用280万左右数据，30个分类，不到1分半钟就训练完成。该库已经开源，c++和python版本均有，原始代码由c++编写，默认开发环境为linux，如果是windows开发环境，可以自己使用vs创建工程，然后将源码依次移植过来，就可以编译调试了。这里有一点需要注意，我按照tutorials/supervised-learning.md文档步骤训练时，如果训练集是中文，会出现乱码问题，将训练集文件编码修改为ansi就可以了。如果使用python版本训练，则需要linux运行环境，python版本的库在windows下执行，计算的准确率及召回率都是NaN。由于该库已经有很多博客介绍过，无论从理论上还是源码分析，都可以找到很多好文章，下面是一些参考文章：

       https://arxiv.org/pdf/1607.01759v3.pdf

       https://pypi.python.org/pypi/fasttext

       https://github.com/facebookresearch/fastText

       https://heleifz.github.io/14732610572844.html

       http://blog.csdn.net/weixin_36604953/article/details/78324834

       http://albertxiebnu.github.io/fasttext/

                                   

       fastText源码由c++编写，有些地方用到了c++ 11中的一些知识点，并且注释非常少，读起来有些晦涩。首先要清楚的是输入与输出，这里以文本分类为例，可以直接定位到FastText::train()函数，该函数首先读取训练集，完成词表的构建，词表可以看做是一个巨大的集合，训练集文本中所有词都保存在词表内，在构建过程中还会计算每个词的数量、索引、类型（语料还是标签）。随后的代码主要是定义输入、输出矩阵，搞清楚算法输入与输出后，在结合算法流程图就好懂多了。关于输入矩阵，相信很多人会有疑惑，既然初始输入都是随机值，那么我们训练集中的文本起了什么作用，貌似啥作用也没有起，好像没有参加任何加减乘除运算，但是实际上在词向量空间中，这些相似的文本有近似的词向量，这些近似的词向量又对应相同的分类标签，在迭代训练过程中，这种相关性会不断传播，直至训练出准确的分类模型。

                       

       如果选用层次softmax训练，还需要以每个标签的数量为权重，构建霍夫曼树，叶子节点就是标签，该方法可以加快训练过程。如果用普通softmax训练，每个标签都需要计算，而采用霍夫曼树，标签数量多，权重就高，霍夫曼编码自然就越短，这样按照霍夫曼编码路径计算标签，就可以极大减少计算量。这一步有两个输出：paths和codes，codes保存的是霍夫曼编码，paths保存的是编码路径每个父节点对应的编号，这个编号在计算输出矩阵时会用到（也就是输出矩阵的行号 ）。训练过程的大部分运算集中在void Model::update（）方法内，上面我的参考文章已经讲解很清楚了，我这里仅仅补充一下我在看源码时的一些疑惑。最后，简单说一下使用fastText的感受，该库很简单、轻量，训练速度快，准确度可以接受，不需要额外训练词向量，用起来很方便。在补充一下，如果训练时设置了word_ngrams参数（默认为1，可以设置为2，以提升准确率） ，需要同时显示的设置bucket参数，否则会提示内存不足。