新闻文本分类之FastText

深度学习也可以用于文本表示，还可以将其映射到一个低纬空间。其中比较典型的例子有：FastText、Word2Vec和Bert。在本章我们将介绍FastText。

1. FastText入门篇

1.1定义

FastText是一种典型的深度学习词向量的表示方法，它非常简单通过Embedding层将单词映射到稠密空间，然后将句子中所有的单词在Embedding空间中进行平均，进而完成分类操作。

所以FastText是一个三层的神经网络，输入层、隐含层和输出层。

1.2优点

FastText在文本分类任务上，是优于TF-IDF的：

• FastText用单词的Embedding叠加获得的文档向量，将相似的句子分为一类
• FastText学习到的Embedding空间维度比较低，可以快速进行训练

1.3FastText参数详解

from fastText import train_unsupervised
model = train_unsupervised(input, model='skipgram', lr=0.05, 
                            dim=100, ws=5, epoch=5, minCount=5, 
                            wordNgrams=1, loss='ns', bucket=2000000, 
                            thread=12, lrUpdateRate=100, t=0.0001, 
                            label='__label__', verbose=2, 
                            pretrainedVectors='')

以fastText中的无监督训练函数为例，详细介绍各个参数的含义：

• model： 首先是模型的选择，skip-gram 以及CBOW。其中skip-gram是给定当前词汇预测上下文单词，而CBOW则是通过上下文预测当前单词。官方给的建议是skip-gram比较快，但是CBOW虽然比较慢，但是精度会高一点。
• lr：学习率的选择需要调试，一般会在0.1左右，太高会报错，太低会训练的比较慢。
• epoch： epoch 要与 lr结合考虑，一般不需要超过50次。
• dim:得到的向量的维度，语料比较大的话，设置为300，一般语料相应的降低，具体的多大规模设置多少维度，可以尝试50到300，step=50测试。
• ws, window size, 表示当前词与预测词在一个句子中的最大距离是多少。context window，比如ws=5，那么是只考虑前后各两个单词 + 当前单词=5， 还是前后各5个单词+当前=11个单词？ 这个需要看源码确认一下。
• wordNgrams，默认是使用 1-gram，也就是单独的词，可以尝试
  bi-gram（也就是wordNgrams=2），也就是每两个word作为一个unit，会导致词数增加。如果英文的可以考虑，因为英文的每个word就是一个单词，而**中文（建议是1）**的话则是再分好词的基础上进行训练，可以直接设置为1就好，当然可以测试bi-gram 的情况。
• loss 默认是 negtive sample，含义是普通的softmax方法，再输出层每次再保留目标单词的同时，不采用所有的词，而是仅激活其中的一部分（比如100个）单词同 目标单词作为输出层维度（总词数）。这个可以进行测试，虽然默认的是 ns， 但是看网上demo，用hs的要更多一些，可以进行实验对比。
• bucket， 基本没有介绍，应该是最多处理多少个词，一般默认就好了。
• minCount，这个有时候我们比较关心，就是词频处理，默认是5，也就是词频小于5的词汇我们都不考虑（直接删除掉），这里一般如果语料比较大的话，一般这是为1就好了，不用考虑，词频太低，基本学习不到。

举例

import pandas as pd
from sklearn.metrics import f1_score
# 转换为FastText需要的格式
train_df = pd.read_csv('../data/train_set.csv', sep='\t', nrows=15000)
train_df['label_ft'] = '__label__' + train_df['label'].astype(str)
train_df[['text','label_ft']].iloc[:-5000].to_csv('train.csv', index=None, header=None, sep='\t')

import fasttext
model = fasttext.train_supervised('train.csv', lr=1.0, wordNgrams=2, 
                                  verbose=2, minCount=1, epoch=25, loss="hs")

val_pred = [model.predict(x)[0][0].split('__')[-1] for x in train_df.iloc[-5000:]['text']]
print(f1_score(train_df['label'].values[-5000:].astype(str), val_pred, average='macro'))

1.4 FastText参数优化

• loss function 选用 hs（hierarchical softmax）要比 ns（negative
  sampling）训练速度更快，准确率也更高

• wordNgram 默认为1，建议设置为 2 或以上更好

• 如果词数不是很多，可以把 bucket 设置小一些，否则会预留太多的 bucket 使模型太大