NLP-分类模型-2016-文本分类：FastText【使用CBOW的模型结构；作用：①文本分类、②训练词向量、③词向量模型迁移（直接拿FastText官方已训练好的词向量来使用）】【基于子词训练】

《原始论文：Bag of Tricks for Efficient Text Classification》
《原始论文：Enriching Word Vectors with Subword Information》

fastText官网：https://fasttext.cc/

一、概述

1、模型作者提出FastText的动机

• 基于机器学习的文本分类模型
  • 优点
    1. 速度一般都很快，因为模型都是线性分类器，所以比较简单。
    2. 效果还可以，在某些任务上也能取得最好的效果。
  • 缺点
    1. 需要做特征工程，分类效果依赖于有效特征的选取。
    2. 线性分类器不同特征和类别之间不共享参数，这可能限制了一些只有少量样本类别的泛化能力。
• 基于深度学习的文本分类模型
  • 优点
    1. 效果好，一般能达到了目前最好的分类效果。
    2. 不用做特征工程，模型简洁。
  • 缺点
    1. 速度太慢，无法在大规模的文本分类任务上使用。

综合 “深度学习的文本分类模型” 和 “机器学习的文本分类模型” 的优点，达到：

• 速度快
• 效果好
• 自动特征工程

2、FastText论文背景

1. 文本分类是自然语言处理的重要任务，可以用于信息检索、网页搜索、文档分类等。
2. 基于深度学习的方法可以达到非常好的效果，但是速度很慢，限制了文本分类的应用。
3. 基于机器学习的线性分类器效果也很好，有用于大规模分类任务的潜力。
4. 从现在词向量学习中（CBOW）得到的灵感，我们提出了一种新的文本分类方法Fasttext，这种方法能够快 速的训练和测试并且达到和最优结果相似的效果。

Fasttext模型和CBOW模型的区别和联系：

• 联系：
  1. 都是Log-linear模型，模型非常简单。
  2. 都是对输入的词向量做平均，然后进行 预测。
  3. 模型结构完全一样。
• 区别：
  1. Fasttext提取的是句子特征，CBOW提取的是上下文特征。
  2. Fasttext需要标注语料，是监督学习，CBOW不需要标注语料，是无监督学习。

3、FastText两大作用

• 进行文本分类
• 训练词向量

fasttext工具包的优势：正如它的名字, 在保持较高精度的情况下, 快速的进行训练和预测是fasttext的最大优势.

fasttext优势的原因:

• fasttext工具包中内含的fasttext模型具有十分简单的网络结构.
• 使用fasttext模型训练词向量时使用层次softmax结构, 来提升超多类别下的模型性能.
• 由于fasttext模型过于简单无法捕捉词序特征, 因此会进行n-gram特征提取以弥补模型缺陷提升精度.

fasttext的离线安装:

$ git clone https://github.com/facebookresearch/fastText.git
$ cd fastText
# 使用pip安装python中的fasttext工具包
$ sudo pip install .

fasttext的在线安装:

(base) D:\Workspaces_AI\NLP\nlpStudy>pip install fastText

验证安装:

Python 3.7.3 (default, Mar 27 2019, 22:11:17)
[GCC 7.3.0] :: Anaconda, Inc. on linux
Type "help", "copyright", "credits" or "license" for more information.
>>> import fasttext
>>>

4、Fasttext历史意义

• 提出了一种新的文本分类方法——Fasttext，能够进行快速的文本分类，并且效果很好。
• 提出了一种新的使用子词的词向量训练方法——Fasttext，能够一定程度上解决OOV问题。
• 将Fasttext开源，使得工业界和学术界能够快速使用Fasttext。
• 为文本分类任务提出了一种简单并且高效的Baseline(基准模型)。
  • Baseline(基准模型)是指实现起来简单、而且效果还不错的模型。
• Fasttext模型在精度上和基于深度学习的分类器平分秋色，但是在训练和测试速度上Fasttext快 上几个数量级。
• 使用标准的多核CPU在10亿词的数据集上训练Fasttext，用时少于10分钟，并且在一分钟内 分类好具有312K类别的50万个句子。

5、Fasttext模型优缺点

优点：

1. 速度非常快，并且效果还可以。
2. 有开源实现，可以快速上手使用。

缺点：

1. 模型结构简单，所以目前来说，不是最优的模型。
2. 因为使用词袋思想，所以语义信息获取有限。

6、Fasttext应用

1. 文本特别多，对分类速度要求很高的场合。
2. 作为一个基准baseline。
3. 对于文本长且对速度要求高的场景，Fasttext是baseline首选。同时用它在无监督语料上训练词向量，进行文本表示也不错。不过想继续提升效果还需要更复杂的模型。

7、Fasttext论文启发点

• 虽然这些深度学习模型能够取得非常好的效果，但是他们在训练和测试的时候到非常慢，这限制了他 们在大数据集上的应用。
  While these models achieve very good performance in practice, they tend to be relatively slow both at train and test time, limiting their use on very large datasets(Introduction P1)
• 然而，线性分类器不同特征和类别之间不共享参数，这可能限制了一些只有少量样本类别的泛化能力。
  However, linear classifiers do not share parameters among features and classes. This possibly limits their generalization in the context of large output space where some classes have very few examples.(2 Model architecture P1)
• 大部分词向量方法对每个词分配一个独立的词向量，而没有共享参数。特别的是，这些方法忽略了词之间的内在联系，词之间的内在联系对于形态学丰富的语言更加重要。
  Most of these techniques represent each word of the vocabulary by a distinct vector, without parameter sharing. In particular, they ignore the internal structure of words, which is an important limitation for morphologically rich languages, such as Turkish or
  Finnish.(Introduction P2 Enriching Word Vectors with Subword Information )

8、Bert v.s. FastText

Bert等出来后，文本分类是否还要尝试fasttext，textcnn等模型？

在公司的数据集上

• BERT fine tune，精度82%，训练：30小时fune tune。serving：单GPU 5000词每秒；
• fasttext，精度81.5%，训练：1分钟，serving：单CPU 7万词每秒。

看你选择咯

二、FastText的模型架构

fastText的架构非常简单，有三层：输入层、隐含层、输出层（Hierarchical Softmax）

输入层：是对文档embedding之后的向量，包含有N-garm特征

隐藏层：是对输入数据的求和平均

输出层：是文档对应标签

如下图所示：

上述Fasttext存在的问题：

1. 使用的是词袋模型，没有词序信息。（使用n-gram特征。）
2. 当类别非常多的时候，最后的softmax 速度依旧非常慢。（类似于word2vec，使用层次softmax）

三、FastText模型的优化

1、利用N-garm添加词序信息

1.1 Bag Of Word

bag of word 又称为bow，称为词袋。是一种只统计词频的手段。

例如：在机器学习的课程中通过朴素贝叶斯来预测文本的类别，我们学习的countVectorizer和TfidfVectorizer都可以理解为一种bow模型。

1.2 N-gram模型

但是在很多情况下，词袋模型是不满足我们的需求的。

例如：我爱她 和她爱我在词袋模型下面，概率完全相同，但是其含义确实差别非常大。

为了解决这个问题，就有了N-gram模型，它不仅考虑词频，还会考虑当前词前面的词语，比如我爱，她爱。

N-gram模型的描述是：第n个词出现与前n-1个词相关，而与其他任何词不相关。（当然在很多场景下和前n-1个词也会相关，但是为了简化问题，经常会这样去计算）

例如：I love deep learning这个句子，在n=2的情况下，可以表示为{i love},{love deep},{deep learning}，n=3的情况下，可以表示为{I love deep},{love deep learning}。

在n=2的情况下，这个模型被称为Bi-garm（二元n-garm模型）

在n=3 的情况下，这个模型被称为Tri-garm（三元n-garm模型）

具体可以参考 ed3book chapter3

所以在fasttext的输入层，不仅有分词之后的词语，还有包含有N-gram的组合词语一起作为输入

2、使用层次Softmax加速分类速度【对传统Softmax的优化方法】

当类别非常多的时候，Fasttext模型最后的softmax 速度依旧非常慢。

为了提高效率，在Fasttext模型中计算分类标签的概率的时候，不再是使用传统的softmax来进行多分类的计算，而是使用的哈夫曼树(Huffman，也成为霍夫曼树),使用层次化的softmax（Hierarchial softmax）来进行概率的计算。

2.1 哈夫曼树

2.1.1 哈夫曼树的定义

哈夫曼树概念：给定n个权值作为n个叶子结点，构造一棵二叉树，若该树的带权路径长度达到最小，称这样的二叉树为最优二叉树，也称为哈夫曼树(Huffman Tree)。

哈夫曼树是带权路径长度最短的树，权值较大的结点离根较近。

2.1.2 哈夫曼树的相关概念

二叉树：每个节点最多有2个子树的有序树，两个子树分别称为左子树、右子树。有序的意思是：树有左右之分，不能颠倒

叶子节点：一棵树当中没有子结点的结点称为叶子结点，简称“叶子”

路径和路径长度：在一棵树中，从一个结点往下可以达到的孩子或孙子结点之间的通路，称为路径。通路中分支的数目称为路径长度。若规定根结点的层数为1，则从根结点到第L层结点的路径长度为L-1。

结点的权及带权路径长度：若将树中结点赋给一个有着某种含义的数值，则这个数值称为该结点的权。结点的带权路径长度为：从根结点到该结点之间的路径长度与该结点的权的乘积。

树的带权路径长度：树的带权路径长度规定为所有叶子结点的带权路径长度之和

树的高度：树中结点的最大层次。包含n个结点的二叉树的高度至少为log2 (n+1)。

2.1.3 哈夫曼树的构造算法

1. 把 { W 1 , W 2 , W 3 … W n } \{W_1,W_2,W_3 \dots W_n\} {W1​,W2​,W3​…Wn​}看成n棵树的森林
2. 在森林中选择两个根节点权值最小的树进行合并，作为一颗新树的左右子树，新树的根节点权值为左右子树的和
3. 删除之前选择出的子树，把新树加入森林
4. 重复2-3步骤，直到森林只有一棵树为止，概树就是所求的哈夫曼树

例如：圆圈中的表示每个词语出现的次数，以这些词语为叶子节点构造的哈夫曼树过程如下：

1. 8个结点的权值大小如下：
   
2. 从19，21，2，3，6，7，10，32中选择两个权小结点。选中2，3。同时算出这两个结点的和5。

3. 从19，21，6，7，10，32，5中选出两个权小结点。选中5，6。同时计算出它们的和11。

4. 从19，21，7，10，32，11中选出两个权小结点。选中7，10。同时计算出它们的和17。
   【这时选出的两个数字都不是已经构造好的二叉树里面的结点，所以要另外开一棵二叉树；或者说，如果两个数的和正好是下一步的两个最小数的其中的一个，那么这个树直接往上生长就可以了，如果这两个数的和比较大，不是下一步的两个最小数的其中一个，那么就并列生长。】
   

5. 从19，21，32，11，17中选出两个权小结点。选中11，17。同时计算出它们的和28。
   

6. 从19，21，32，28中选出两个权小结点。选中19，21。同时计算出它们的和40。另起一颗二叉树。
   

7. 从32，28， 40中选出两个权小结点。选中28，32。同时计算出它们的和60。

8. 从 40， 60中选出两个权小结点。选中40，60。同时计算出它们的和100。 好了，此时哈夫曼树已经构建好了。
   

可见：

1. 权重越大，距离根节点越近
2. 叶子的个数为n，构造哈夫曼树中新增的节点的个数为n-1

2.2 哈夫曼编码

在数据通信中，需要将传送的文字转换成二进制的字符串，用0，1码的不同排列来表示字符。

例如，需传送的报文为AFTER DATA EAR ARE ART AREA，这里用到的字符集为A，E，R，T，F，D，各字母出现的次数为{8，4，5，3，1，1}。现要求为这些字母设计编码。要区别6个字母，最简单的二进制编码方式是等长编码，固定采用3位二进制，可分别用000、001、010、011、100、101对A，E，R，T，F，D进行编码发送

但是很明显，上述的编码的方式并不是最优的，即整理传送的字节数量并不是最少的。

为了提高数据传送的效率，同时为了保证【前缀编码】,可以使用哈夫曼树生成哈夫曼编码解决问题。【任一字符的编码都不是另一个字符编码的前缀，这种编码称为前缀编码】

可用字符集中的每个字符作为叶子结点生成一棵编码二叉树，为了获得传送报文的最短长度，可将每个字符的出现频率作为字符结点的权值赋予该结点上，显然字使用频率越小权值越小，权值越小叶子就越靠下，于是频率小编码长，频率高编码短，这样就保证了此树的最小带权路径长度效果上就是传送报文的最短长度

因此，求传送报文的最短长度问题转化为求由字符集中的所有字符作为叶子结点，由字符出现频率作为其权值所产生的哈夫曼树的问题。

利用哈夫曼树来设计二进制的前缀编码，

• 既满足【前缀编码】的条件；
• 又保证报文编码总长最短；

下图中label1 .... label6分别表示A，E，R，T，F，D【左节点用1表示，右节点用0表示】

2.3 梯度计算

上图中，红色为哈夫曼编码，即label5的哈夫曼编码为1001，那么此时如何定义条件概率$P(Label5|context)$呢？

以Label5为例，从根节点到Label5中间经历了4次分支，每次分支都可以认为是进行了一次2分类，根据哈夫曼编码，可以把路径中的每个非叶子节点0认为是负类，1认为是正类（也可以把0认为是正类）

由机器学习课程中逻辑回归使用sigmoid函数进行2分类的过程中，一个节点被分为正类的概率是$\delta (X^T\theta )=\frac{1}{1+e^{-X^T\theta }}$,被分类负类的概率是：$1-\delta (X^T\theta )$，其中$\theta$就是图中非叶子节点对应的参数$\theta$。

对于从根节点出发，到达Label5一共经历4次2分类，将每次分类结果的概率写出来就是：

1. 第一次：$P(1|X,{\theta }_1)=\delta (X^T{\theta }_1)$ ,即从根节点到23节点的概率是在知道X和${\theta }_1$的情况下取值为1的概率
2. 第二次：$P(0|X,{\theta }_2)=1-\delta (X^T{\theta }_2)$
3. 第三次：$P(0|X,{\theta }_3)=1-\delta (X^T{\theta }_4)$
4. 第四次：$P(1|X,{\theta }_4)=\delta (X^T{\theta }_4)$

但是我们需要求的是$P(Label|contex)$, 他等于前4词的概率的乘积，公式如下（$d_j^w$是第j个节点的哈夫曼编码）
$$P(Label|context)=\prod _{j=2}^{5}P(d_j|X,{\theta }_{j-1})$$

其中：
$$P(d_j|X,{\theta }_{j-1})=\{\begin{array}{rlr}& \delta (X^T{\theta }_{j-1}),& d_j=1;\\ & 1-\delta (X^T{\theta }_{j-1})& d_j=0;\end{array}$$

或者也可以写成一个整体,把目标值作为指数，之后取log之后会前置：
$$P(d_j|X,{\theta }_{j-1})=[\delta (X^T{\theta }_{j-1}){]}^{d_j}\cdot [1-\delta (X^T{\theta }_{j-1}){]}^{1-d_j}$$

在机器学习中的逻辑回归中，我们经常把二分类的损失函数(目标函数)定义为对数似然损失，即
$$L=-\frac{1}{M}\sum _{label\in labels}logP(label|context)$$

式子中，求和符号表示的是使用样本的过程中，每一个label对应的概率取对数后的和，之后求取均值。

带入前面对$P(label|context)$的定义得到：
L = − 1 M ∑ l a b e l ∈ l a b e l s l o g ∏ j = 2 { [ δ ( X T θ j − 1 ) ] d j ⋅ [ 1 − δ ( X T θ j − 1 ) ] 1 − d j } = − 1 M ∑ l a b e l ∈ l a b e l s ∑ j = 2 { d j ⋅ l o g [ δ ( X T θ j − 1 ) ] + ( 1 − d j ) ⋅ l o g [ 1 − δ ( X T θ j − 1 ) ] } \begin{aligned} L & = -\frac{1}{M}\sum_{label\in labels}log \prod_{j=2}\{[\delta(X^T\theta_{j-1})]^{d_j} \cdot [1-\delta(X^T\theta_{j-1})]^{1-d_j}\} \\ & =-\frac{1}{M} \sum_{label\in labels} \sum_{j=2}\{d_j\cdot log[\delta(X^T\theta_{j-1})]+ (1-d_j) \cdot log [1-\delta(X^T\theta_{j-1})]\} \end{aligned} L​=−M1​label∈labels∑​logj=2∏​{[δ(XTθj−1​)]dj​⋅[1−δ(XTθj−1​)]1−dj​}=−M1​label∈labels∑​j=2∑​{dj​⋅log[δ(XTθj−1​)]+(1−dj​)⋅log[1−δ(XTθj−1​)]}​
有了损失函数之后，接下来就是对其中的$X,\theta$进行求导，并更新，最终还需要更新最开始的每个词语词向量

层次化softmax的好处：

• 传统的softmax的时间复杂度为 L（Labels的数量）；
• 但是使用层次化softmax之后时间复杂度的log(L) （二叉树高度和宽度的近似）；
• 从而在多分类的场景提高了效率。

三、FastText模型代码

数据集下载

AG News: https://s3.amazonaws.com/fast-ai-nlp/ag_news_csv.tgz
DBPedia: https://s3.amazonaws.com/fast-ai-nlp/dbpedia_csv.tgz
Sogou news: https://s3.amazonaws.com/fast-ai-nlp/sogou_news_csv.tgz
Yelp Review Polarity: https://s3.amazonaws.com/fast-ai-nlp/yelp_review_polarity_csv.tgz
Yelp Review Full: https://s3.amazonaws.com/fast-ai-nlp/yelp_review_full_csv.tgz
Yahoo! Answers: https://s3.amazonaws.com/fast-ai-nlp/yahoo_answers_csv.tgz
Amazon Review Full: https://s3.amazonaws.com/fast-ai-nlp/amazon_review_full_csv.tgz
Amazon Review Polarity: https://s3.amazonaws.com/fast-ai-nlp/amazon_review_polarity_csv.tgz

1、AG_Dataset.py

#coding:utf-8
from torch.utils import data
import os
import csv
import nltk
import numpy as np
class AG_Data(data.DataLoader):
    def __init__(self,data_path,min_count,max_length,n_gram=1,word2id = None,uniwords_num = 0):
        self.path =os.path.abspath(".")
        if "data" not in self.path:
            self.path+="/data"
        self.n_gram = n_gram
        self.load(data_path)
        if word2id==None:
            self.get_word2id(self.data,min_count)
        else:
            self.word2id = word2id
            self.uniwords_num = uniwords_num
        self.data = self.convert_data2id(self.data,max_length)
        self.data = np.array(self.data) # sample_num*length
        self.y = np.array(self.y)#sample_num*1
    def load(self,data_path,lowercase=True):
        self.label = []
        self.data = []
        with open(self.path+data_path,"r") as f:
            datas = list(csv.reader(f,delimiter=',', quotechar='"'))
            for row in datas:
                self.label.append(int(row[0])-1)
                txt = " ".join(row[1:])
                if lowercase:
                    txt = txt.lower()
                txt = nltk.word_tokenize(txt)	# 分词
                new_txt=  []
                for i in range(0,len(txt)):
                    for j in range(self.n_gram):	# 添加n-gram词
                        if j<=i:
                            new_txt.append(" ".join(txt[i-j:i+1]))
                self.data.append(new_txt)
        self.y = self.label
    def get_word2id(self,datas,min_count=3):
        word_freq = {}
        for data in datas:
            for word in data:
                if word_freq.get(word)!=None:
                    word_freq[word]+=1
                else:
                    word_freq[word] = 1
        word2id = {"<pad>":0,"<unk>":1}
        for word in word_freq:
            if word_freq[word]<min_count or " " in word:
                continue
            word2id[word] = len(word2id)
        self.uniwords_num = len(word2id)
        for word in word_freq:	# 构建2-gram以上的词，需要hash分桶
            if word_freq[word]<min_count or " " not in word:
                continue
            word2id[word] = len(word2id)
        self.word2id = word2id
    def convert_data2id(self,datas,max_length):
        for i,data in enumerate(datas):
            for j,word in enumerate(data):
                if " " not in word:
                    datas[i][j] = self.word2id.get(word,1)
                else:
                    datas[i][j] = self.word2id.get(word, 1)%100000+self.uniwords_num	# hash函数
                    #datas[i][j] = self.word2id.get(word, 1)
            datas[i] = datas[i][0:max_length]+[0]*(max_length-len(datas[i]))
        return datas
    def __getitem__(self, idx):
        X = self.data[idx]
        y = self.y[idx]
        return X, y
    def __len__(self):
        return len(self.label)
if __name__=="__main__":
    ag_data = AG_Data("/AG/train.csv",3,100)
    print (ag_data.data.shape)
    print (ag_data.data[-20:])
    print (ag_data.y.shape)
    print (len(ag_data.word2id))

2、Fasttext_Model.py

# -*- coding: utf-8 -*-
import torch
import torch.nn as nn
import torch.nn.functional as F
import numpy as np
from torchsummary import summary

class Fasttext(nn.Module):
    def __init__(self, vocab_size, embedding_size, max_length, label_num):
        super(Fasttext, self).__init__()
        self.embedding = nn.Embedding(vocab_size, embedding_size)  # 嵌入层
        self.avg_pool = nn.AvgPool1d(kernel_size=max_length, stride=1)  # 平均层
        self.fc = nn.Linear(embedding_size, label_num)  # 全连接层

    def forward(self, x):
        out = self.embedding(x)  # batch_size*length*embedding_size
        out = out.transpose(1, 2).contiguous()  # batch_size*embedding_size*length
        out = self.avg_pool(out).squeeze()
        out = self.fc(out)  # batch_size*label_num
        return out


if __name__ == "__main__":
    fasttext = Fasttext(100, 200, 100, 4)
    x = torch.Tensor(np.zeros([64, 100])).long()
    out = fasttext(x)
    print(out.size())
    summary(fasttext, input_size=(100,))

----------------------------------------------------------------
        Layer (type)               Output Shape         Param #
================================================================
         Embedding-1              [-1, 100, 10]          10,000
         AvgPool1d-2                [-1, 10, 1]               0
            Linear-3                    [-1, 4]              44
================================================================
Total params: 10,044
Trainable params: 10,044
Non-trainable params: 0
----------------------------------------------------------------
Input size (MB): 0.00
Forward/backward pass size (MB): 0.01
Params size (MB): 0.04
Estimated Total Size (MB): 0.05
----------------------------------------------------------------

3、config.py

# —*- coding: utf-8 -*-

import argparse

def ArgumentParser():
    parser = argparse.ArgumentParser()
    parser.add_argument('--embed_size', type=int, default=10, help="embedding size of word embedding")
    parser.add_argument("--epoch",type=int,default=200,help="epoch of training")
    parser.add_argument("--cuda",type=bool,default=True,help="whether use gpu")
    parser.add_argument("--gpu",type=int,default=1,help="whether use gpu")
    parser.add_argument("--label_num",type=int,default=4,help="the label number of samples")
    parser.add_argument("--learning_rate",type=float,default=0.02,help="learning rate during training")
    parser.add_argument("--batch_size",type=int,default=64,help="batch size during training")
    parser.add_argument("--seed",type=int,default=1,help="seed of random")
    parser.add_argument("--max_length",type=int,default=100,help="max length of sentence")
    parser.add_argument("--min_count",type=int,default=3,help="min_count of word")
    parser.add_argument("--n_gram",type=int,default=2,help="num gram of word")
    return parser.parse_args()

4、main.py

# -*- coding: utf-8 -*-
import torch
import torch.autograd as autograd
import torch.nn as nn
import torch.optim as optim
from model import Fasttext
from data import AG_Data
import numpy as np
from tqdm import tqdm
import config as argumentparser
config = argumentparser.ArgumentParser()
torch.manual_seed(config.seed)

if config.cuda and torch.cuda.is_available():
    torch.cuda.set_device(config.gpu)
def get_test_result(data_iter,data_set):
    # 生成测试结果
    model.eval()
    true_sample_num = 0
    for data, label in data_iter:
        if config.cuda and torch.cuda.is_available():
            data = data.cuda()
            label = label.cuda()
        else:
            data = torch.autograd.Variable(data).long()
        out = model(data)
        true_sample_num += np.sum((torch.argmax(out, 1) == label).cpu().numpy())
    acc = true_sample_num / data_set.__len__()
    return acc
training_set = AG_Data("/AG/train.csv",min_count=config.min_count,
                       max_length=config.max_length,n_gram=config.n_gram)
training_iter = torch.utils.data.DataLoader(dataset=training_set,
                                            batch_size=config.batch_size,
                                            shuffle=True,
                                            num_workers=0)
test_set = AG_Data(data_path="/AG/test.csv",min_count=config.min_count,
                   max_length=config.max_length,n_gram=config.n_gram,word2id=training_set.word2id,
                   uniwords_num=training_set.uniwords_num)
test_iter = torch.utils.data.DataLoader(dataset=test_set,
                                        batch_size=config.batch_size,
                                        shuffle=False,
                                        num_workers=0)
model = Fasttext(vocab_size=training_set.uniwords_num+100000,embedding_size=config.embed_size,
                 max_length=config.max_length,label_num=config.label_num)
if config.cuda and torch.cuda.is_available():
    model.cuda()
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=config.learning_rate)
loss = -1
for epoch in range(config.epoch):
    model.train()
    process_bar = tqdm(training_iter)
    for data, label in process_bar:
        if config.cuda and torch.cuda.is_available():
            data = data.cuda()
            label = label.cuda()
        else:
            data = torch.autograd.Variable(data).long()
        label = torch.autograd.Variable(label).squeeze()
        out = model(data)
        loss_now = criterion(out, autograd.Variable(label.long()))
        if loss == -1:
            loss = loss_now.data.item()
        else:
            loss = 0.95*loss+0.05*loss_now.data.item()
        process_bar.set_postfix(loss=loss_now.data.item())
        process_bar.update()
        optimizer.zero_grad()
        loss_now.backward()
        optimizer.step()
    test_acc = get_test_result(test_iter, test_set)
    print("The test acc is: %.5f" % test_acc)

四、FastText模型用途①：文本分类(有监督的深度学习)

文本分类的是将文档（例如电子邮件，帖子，文本消息，产品评论等）分配给一个或多个类别. 当今文本分类的实现多是使用机器学习方法从训练数据中提取分类规则以进行分类, 因此构建文本分类器需要带标签的数据.

文本分类的种类

• 二分类：文本被分类两个类别中, 往往这两个类别是对立面, 比如: 判断一句评论是好评还是差评.
• 单标签多分类：文本被分入到多个类别中, 且每条文本只能属于某一个类别(即被打上某一个标签), 比如: 输入一个人名, 判断它是来自哪个国家的人名.
• 多标签多分类：文本被分入到多个类别中, 但每条文本可以属于多个类别(即被打上多个标签), 比如: 输入一段描述, 判断可能是和哪些兴趣爱好有关, 一段描述中可能即讨论了美食, 又讨论了游戏爱好.

使用fasttext工具进行文本分类的过程

• 第一步: 获取数据
• 第二步: 训练集与验证集的划分
• 第三步: 训练模型
• 第四步: 使用模型进行预测并评估
• 第五步: 模型调优
• 第六步: 模型保存与重加载

1、第一步: 获取数据

cooking.stackexchange.txt中的每一行都包含一个标签列表，后跟相应的文档, 标签列表以类似"__label__sauce __label__cheese"的形式展现, 代表有两个标签sauce和cheese, 所有标签__label__均以前缀开头，这是fastText识别标签或单词的方式. 标签之后的一段话就是文本信息.如: How much does potato starch affect a cheese sauce recipe?

Windows下安装wget。下载地址：http://downloads.sourceforge.net/gnuwin32/wget-1.11.4-1-setup.exe
配置系统环境变量：
	新建变量GNU_HOME： C:\Program Files (x86)\GnuWin32
	在Path变量中添加： ;%GNU_HOME%\bin

# 获取烹饪相关的数据集, 它是由facebook AI实验室提供的演示数据集
$ wget https://dl.fbaipublicfiles.com/fasttext/data/cooking.stackexchange.tar.gz && tar xvzf cooking.stackexchange.tar.gz
# 查看数据的前10条
$ head cooking.stackexchange.txt

__label__sauce __label__cheese How much does potato starch affect a cheese sauce recipe?
__label__food-safety __label__acidity Dangerous pathogens capable of growing in acidic environments
__label__cast-iron __label__stove How do I cover up the white spots on my cast iron stove?
__label__restaurant Michelin Three Star Restaurant; but if the chef is not there
__label__knife-skills __label__dicing Without knife skills, how can I quickly and accurately dice vegetables?
__label__storage-method __label__equipment __label__bread What's the purpose of a bread box?
__label__baking __label__food-safety __label__substitutions __label__peanuts how to seperate peanut oil from roasted peanuts at home?
__label__chocolate American equivalent for British chocolate terms
__label__baking __label__oven __label__convection Fan bake vs bake
__label__sauce __label__storage-lifetime __label__acidity __label__mayonnaise Regulation and balancing of readymade packed mayonnaise and other sauces

2、第二步: 训练集与验证集的划分

Linux系统：

# 查看数据总数
$ wc cooking.stackexchange.txt 

  15404  169582 1401900 cooking.stackexchange.txt 

# 12404条数据作为训练数据
$ head -n 12404 cooking.stackexchange.txt > cooking.train
# 3000条数据作为验证数据
$ tail -n 3000 cooking.stackexchange.txt > cooking.valid

Windows系统：
直接将文件切分为两个文件：cooking.train、cooking.valid

3、第三步: 训练模型

• Progress: 训练进度, 因为我们这里显示的是最后的训练完成信息, 所以进度是100%
• words/sec/thread: 每个线程每秒处理的平均词汇数
• lr: 当前的学习率, 因为训练完成所以学习率是0
• avg.loss: 训练过程的平均损失
• ETA: 预计剩余训练时间, 因为已训练完成所以是0

Linux系统：

# 代码运行在python解释器中
# 导入fasttext
>>> import fasttext
# 使用fasttext的train_supervised方法进行文本分类模型的训练
>>> model = fasttext.train_supervised(input="cooking.train")

# 获得结果
Read 0M words
# 不重复的词汇总数
Number of words:  14543
# 标签总数
Number of labels: 735
# Progress: 训练进度, 因为我们这里显示的是最后的训练完成信息, 所以进度是100%
# words/sec/thread: 每个线程每秒处理的平均词汇数
# lr: 当前的学习率, 因为训练完成所以学习率是0
# avg.loss: 训练过程的平均损失 
# ETA: 预计剩余训练时间, 因为已训练完成所以是0
Progress: 100.0% words/sec/thread:   60162 lr:  0.000000 avg.loss: 10.056812 ETA:   0h 0m 0s

Windows系统：

import fasttext

model = fasttext.train_supervised(input="cooking.train")

if __name__=="__main__":
    model

打印结果：

Read 0M words
Number of words:  14543
Number of labels: 735
Progress: 100.0% words/sec/thread:   39299 lr:  0.000000 avg.loss: 10.028418 ETA:   0h 0m 0s

4、第四步: 使用模型进行预测并评估

Linux系统：

# 使用模型预测一段输入文本, 通过我们常识, 可知预测是正确的, 但是对应预测概率并不大
>>> model.predict("Which baking dish is best to bake a banana bread ?")
# 元组中的第一项代表标签, 第二项代表对应的概率
(('__label__baking',), array([0.06550845]))

# 通过我们常识可知预测是错误的
>>> model.predict("Why not put knives in the dishwasher?")
(('__label__food-safety',), array([0.07541209]))

# 为了评估模型到底表现如何, 我们在3000条的验证集上进行测试
>>> model.test("cooking.valid")
# 元组中的每项分别代表, 验证集样本数量, 精度以及召回率 
# 我们看到模型精度和召回率表现都很差, 接下来我们讲学习如何进行优化.
(3000, 0.124, 0.0541)

Window系统：

import fasttext

model = fasttext.train_supervised(input="cooking.train")

if __name__=="__main__":
    model
    predict_result01 = model.predict("Which baking dish is best to bake a banana bread ?")
    predict_result02 = model.predict("Why not put knives in the dishwasher?")
    print("predict_result01 = {0}".format(predict_result01))
    print("predict_result02 = {0}".format(predict_result02))

    test_result = model.test("cooking.valid")
    print("test_result = {0}".format(test_result))

打印结果：

Read 0M words
Number of words:  14543
Number of labels: 735
Progress: 100.0% words/sec/thread:   41096 lr:  0.000000 avg.loss: 10.043181 ETA:   0h 0m 0s
predict_result01 = (('__label__baking',), array([0.06778254]))
predict_result02 = (('__label__food-safety',), array([0.0718687]))
test_result = (3000, 0.13733333333333334, 0.05939166786795445)

5、第五步：模型调优

5.1 原始数据处理

通过查看数据, 我们发现数据中存在许多标点符号与单词相连以及大小写不统一, 这些因素对我们最终的分类目标没有益处, 反是增加了模型提取分类规律的难度, 因此我们选择将它们去除或转化

处理前的部分数据：

__label__fish Arctic char available in North-America
__label__pasta __label__salt __label__boiling When cooking pasta in salted water how much of the salt is absorbed?
__label__coffee Emergency Coffee via Chocolate Covered Coffee Beans?
__label__cake Non-beet alternatives to standard red food dye
__label__cheese __label__lentils Could cheese "halt" the tenderness of cooking lentils?
__label__asian-cuisine __label__chili-peppers __label__kimchi __label__korean-cuisine What kind of peppers are used in Gochugaru ()?
__label__consistency Pavlova Roll failure
__label__eggs __label__bread What qualities should I be looking for when making the best French Toast?
__label__meat __label__flour __label__stews __label__braising Coating meat in flour before browning, bad idea?
__label__food-safety Raw roast beef on the edge of safe?
__label__pork __label__food-identification How do I determine the cut of a pork steak prior to purchasing it?

通过服务器终端进行简单的数据预处理：使标点符号与单词分离、统一使用小写字母【Windows系统可以使用Git Bash命令窗口，Git Bash命令窗口有sed 命令】：

>> cat cooking.stackexchange.txt | sed -e "s/\([.\!?,'/()]\)/ \1 /g" | tr "[:upper:]" "[:lower:]" > cooking.preprocessed.txt
>> head -n 12404 cooking.preprocessed.txt > cooking.preprocessed.train
>> tail -n 3000 cooking.preprocessed.txt > cooking.preprocessed.valid

处理后的部分数据：

__label__fish arctic char available in north-america
__label__pasta __label__salt __label__boiling when cooking pasta in salted water how much of the salt is absorbed ?
__label__coffee emergency coffee via chocolate covered coffee beans ?
__label__cake non-beet alternatives to standard red food dye
__label__cheese __label__lentils could cheese "halt" the tenderness of cooking lentils ?
__label__asian-cuisine __label__chili-peppers __label__kimchi __label__korean-cuisine what kind of peppers are used in gochugaru  (  )  ?
__label__consistency pavlova roll failure
__label__eggs __label__bread what qualities should i be looking for when making the best french toast ?
__label__meat __label__flour __label__stews __label__braising coating meat in flour before browning ,  bad idea ?
__label__food-safety raw roast beef on the edge of safe ?
__label__pork __label__food-identification how do i determine the cut of a pork steak prior to purchasing it ?

数据处理后进行训练并测试:

Linux系统：

# 重新训练
>>> model = fasttext.train_supervised(input="cooking.preprocessed.train")
Read 0M words

# 不重复的词汇总数减少很多, 因为之前会把带大写字母或者与标点符号相连接的单词都认为是新的单词
Number of words:  8952
Number of labels: 735

# 我们看到平均损失有所下降
Progress: 100.0% words/sec/thread:   65737 lr:  0.000000 avg.loss:  9.966091 ETA:   0h 0m 0s

# 重新测试
>>> model.test("cooking.preprocessed.valid")
# 我们看到精度和召回率都有所提升
(3000, 0.161, 0.06962663975782038)

Window系统：

import fasttext

model = fasttext.train_supervised(input="cooking.preprocessed.train")

if __name__=="__main__":
    model
    predict_result01 = model.predict("Which baking dish is best to bake a banana bread ?")
    predict_result02 = model.predict("Why not put knives in the dishwasher?")
    print("predict_result01 = {0}".format(predict_result01))
    print("predict_result02 = {0}".format(predict_result02))

    test_result = model.test("cooking.preprocessed.valid")
    print("test_result = {0}".format(test_result))

打印结果：

Read 0M words
Number of words:  8952
Number of labels: 735
Progress: 100.0% words/sec/thread:   42495 lr:  0.000000 avg.loss:  9.988613 ETA:   0h 0m 0s
predict_result01 = (('__label__baking',), array([0.20235862]))
predict_result02 = (('__label__food-safety',), array([0.10484533]))
test_result = (3000, 0.16733333333333333, 0.07236557589736198)

5.2 增加训练轮数

设置train_supervised方法中的参数epoch来增加训练轮数, 默认的轮数是5次。

增加轮数意味着模型能够有更多机会在有限数据中调整分类规律, 当然这也会增加训练时间

Linux系统：

# 设置train_supervised方法中的参数epoch来增加训练轮数, 默认的轮数是5次
# 增加轮数意味着模型能够有更多机会在有限数据中调整分类规律, 当然这也会增加训练时间
>>> model = fasttext.train_supervised(input="cooking.preprocessed.train", epoch=25)
Read 0M words
Number of words:  8952
Number of labels: 735

# 我们看到平均损失继续下降
Progress: 100.0% words/sec/thread:   66283 lr:  0.000000 avg.loss:  7.203885 ETA:   0h 0m 0s

>>> model.test("cooking.preprocessed.valid")
# 我们看到精度已经提升到了42%, 召回率提升至18%.
(3000, 0.4206666666666667, 0.1819230214790255)

Window系统：

import fasttext

model = fasttext.train_supervised(input="cooking.preprocessed.train", epoch=25)

if __name__=="__main__":
    model
    predict_result01 = model.predict("Which baking dish is best to bake a banana bread ?")
    predict_result02 = model.predict("Why not put knives in the dishwasher?")
    print("predict_result01 = {0}".format(predict_result01))
    print("predict_result02 = {0}".format(predict_result02))

    test_result = model.test("cooking.preprocessed.valid")
    print("test_result = {0}".format(test_result))

打印结果：

Read 0M words
Number of words:  8952
Number of labels: 735
Progress: 100.0% words/sec/thread:   43462 lr:  0.000000 avg.loss:  7.147898 ETA:   0h 0m 0s
predict_result01 = (('__label__baking',), array([0.58875704]))
predict_result02 = (('__label__equipment',), array([0.47682756]))
test_result = (3000, 0.519, 0.22444860890875018)

5.3 调整学习率

设置train_supervised方法中的参数lr来调整学习率, 默认的学习率大小是0.1。

增大学习率意味着增大了梯度下降的步长使其在有限的迭代步骤下更接近最优点

Linux系统：

# 设置train_supervised方法中的参数lr来调整学习率, 默认的学习率大小是0.1
# 增大学习率意味着增大了梯度下降的步长使其在有限的迭代步骤下更接近最优点
>>> model = fasttext.train_supervised(input="cooking.preprocessed.train", lr=1.0, epoch=25)
Read 0M words
Number of words:  8952
Number of labels: 735

# 平均损失继续下降
Progress: 100.0% words/sec/thread:   66027 lr:  0.000000 avg.loss:  4.278283 ETA:   0h 0m 0s

>>> model.test("cooking.preprocessed.valid")
# 我们看到精度已经提升到了47%, 召回率提升至20%.
(3000, 0.47633333333333333, 0.20599682860025947)

Window系统：

import fasttext

model = fasttext.train_supervised(input="cooking.preprocessed.train", epoch=25, lr=1.0)

if __name__=="__main__":
    model
    predict_result01 = model.predict("Which baking dish is best to bake a banana bread ?")
    predict_result02 = model.predict("Why not put knives in the dishwasher?")
    print("predict_result01 = {0}".format(predict_result01))
    print("predict_result02 = {0}".format(predict_result02))

    test_result = model.test("cooking.preprocessed.valid")
    print("test_result = {0}".format(test_result))

打印结果：

Read 0M words
Number of words:  8952
Number of labels: 735
Progress: 100.0% words/sec/thread:   42748 lr:  0.000000 avg.loss:  4.222660 ETA:   0h 0m 0s
predict_result01 = (('__label__baking',), array([0.90052789]))
predict_result02 = (('__label__knives',), array([0.44448078]))
test_result = (3000, 0.5816666666666667, 0.2515496612368459)

5.4 增加n-gram特征

设置train_supervised方法中的参数wordNgrams来添加n-gram特征, 默认是1, 也就是没有n-gram特征

我们这里将其设置为2意味着添加2-gram特征, 这些特征帮助模型捕捉前后词汇之间的关联, 更好的提取分类规则用于模型分类, 当然这也会增加模型训时练占用的资源和时间.

Linux系统：

# 设置train_supervised方法中的参数wordNgrams来添加n-gram特征, 默认是1, 也就是没有n-gram特征
# 我们这里将其设置为2意味着添加2-gram特征, 这些特征帮助模型捕捉前后词汇之间的关联, 更好的提取分类规则用于模型分类, 当然这也会增加模型训时练占用的资源和时间.
>>> model = fasttext.train_supervised(input="cooking.preprocessed.train", lr=1.0, epoch=25, wordNgrams=2)
Read 0M words
Number of words:  8952
Number of labels: 735

# 平均损失继续下降
Progress: 100.0% words/sec/thread:   65084 lr:  0.000000 avg.loss:  3.189422 ETA:   0h 0m 0s

>>> model.test("cooking.preprocessed.valid")
# 我们看到精度已经提升到了49%, 召回率提升至21%.
(3000, 0.49233333333333335, 0.2129162462159435)

Window系统：

import fasttext

model = fasttext.train_supervised(input="cooking.preprocessed.train", epoch=25, lr=1.0, wordNgrams=2)

if __name__ == "__main__":
    model
    predict_result01 = model.predict("Which baking dish is best to bake a banana bread ?")
    predict_result02 = model.predict("Why not put knives in the dishwasher?")
    print("predict_result01 = {0}".format(predict_result01))
    print("predict_result02 = {0}".format(predict_result02))

    test_result = model.test("cooking.preprocessed.valid")
    print("test_result = {0}".format(test_result))

打印结果：

Read 0M words
Number of words:  8952
Number of labels: 735
Progress: 100.0% words/sec/thread:   41833 lr:  0.000000 avg.loss:  3.114212 ETA:   0h 0m 0s
predict_result01 = (('__label__baking',), array([0.39613214]))
predict_result02 = (('__label__knives',), array([0.39759707]))
test_result = (3000, 0.601, 0.25991062418913075)

5.5 修改损失计算方式

随着我们不断的添加优化策略, 模型训练速度也越来越慢

为了能够提升fasttext模型的训练效率, 减小训练时间

设置train_supervised方法中的参数loss来修改损失计算方式(等效于输出层的结构), 默认是softmax层结构

我们这里将其设置为’hs’, 代表层次softmax结构, 意味着输出层的结构(计算方式)发生了变化, 将以一种更低复杂度的方式来计算损失.

Linux系统：

# 随着我们不断的添加优化策略, 模型训练速度也越来越慢
# 为了能够提升fasttext模型的训练效率, 减小训练时间
# 设置train_supervised方法中的参数loss来修改损失计算方式(等效于输出层的结构), 默认是softmax层结构
# 我们这里将其设置为'hs', 代表层次softmax结构, 意味着输出层的结构(计算方式)发生了变化, 将以一种更低复杂度的方式来计算损失.
>>> model = fasttext.train_supervised(input="cooking.preprocessed.train", lr=1.0, epoch=25, wordNgrams=2, loss='hs')
Read 0M words
Number of words:  8952
Number of labels: 735
Progress: 100.0% words/sec/thread: 1341740 lr:  0.000000 avg.loss:  2.225962 ETA:   0h 0m 0s
>>> model.test("cooking.preprocessed.valid")
# 我们看到精度和召回率稍有波动, 但训练时间却缩短到仅仅几秒
(3000, 0.483, 0.20887991927346114)

Window系统：

import fasttext

model = fasttext.train_supervised(input="cooking.preprocessed.train", epoch=25, lr=1.0, wordNgrams=2, loss='hs')

if __name__ == "__main__":
    model
    predict_result01 = model.predict("Which baking dish is best to bake a banana bread ?")
    predict_result02 = model.predict("Why not put knives in the dishwasher?")
    print("predict_result01 = {0}".format(predict_result01))
    print("predict_result02 = {0}".format(predict_result02))

    test_result = model.test("cooking.preprocessed.valid")
    print("test_result = {0}".format(test_result))

打印结果：

Read 0M words
Number of words:  8952
Number of labels: 735
Progress: 100.0% words/sec/thread:  863764 lr:  0.000000 avg.loss:  2.213320 ETA:   0h 0m 0s
predict_result01 = (('__label__baking',), array([0.38502374]))
predict_result02 = (('__label__knives',), array([0.47718713]))
test_result = (3000, 0.594, 0.256883378982269)

5.6 自动超参数调优

手动调节和寻找超参数是非常困难的, 因为参数之间可能相关, 并且不同数据集需要的超参数也不同,

因此可以使用fasttext的autotuneValidationFile参数进行自动超参数调优.

autotuneValidationFile参数需要指定验证数据集所在路径, 它将在验证集上使用随机搜索方法寻找可能最优的超参数.

使用autotuneDuration参数可以控制随机搜索的时间, 默认是300s, 根据不同的需求, 我们可以延长或缩短时间.

验证集路径’cooking.valid’, 随机搜索600秒

Linux系统：

# 手动调节和寻找超参数是非常困难的, 因为参数之间可能相关, 并且不同数据集需要的超参数也不同, 
# 因此可以使用fasttext的autotuneValidationFile参数进行自动超参数调优.
# autotuneValidationFile参数需要指定验证数据集所在路径, 它将在验证集上使用随机搜索方法寻找可能最优的超参数.
# 使用autotuneDuration参数可以控制随机搜索的时间, 默认是300s, 根据不同的需求, 我们可以延长或缩短时间.
# 验证集路径'cooking.preprocessed.valid', 随机搜索600秒
>>> model = fasttext.train_supervised(input='cooking.preprocessed.train', autotuneValidationFile='cooking.preprocessed.valid', autotuneDuration=600)

Progress: 100.0% Trials:   38 Best score:  0.376170 ETA:   0h 0m 0s
Training again with best arguments
Read 0M words
Number of words:  8952
Number of labels: 735
Progress: 100.0% words/sec/thread:   63791 lr:  0.000000 avg.loss:  1.888165 ETA:   0h 0m 0s

Window系统：

import fasttext

model = fasttext.train_supervised(input='cooking.preprocessed.train', autotuneValidationFile='cooking.preprocessed.valid', autotuneDuration=60)    # 随机搜索600秒【默认300秒】

if __name__ == "__main__":
    model
    predict_result01 = model.predict("Which baking dish is best to bake a banana bread ?")
    predict_result02 = model.predict("Why not put knives in the dishwasher?")
    print("predict_result01 = {0}".format(predict_result01))
    print("predict_result02 = {0}".format(predict_result02))

    test_result = model.test("cooking.preprocessed.valid")
    print("test_result = {0}".format(test_result))

5.7 实际生产中多标签多分类问题的损失计算方式

针对多标签多分类问题, 使用’softmax’或者’hs’有时并不是最佳选择, 因为我们最终得到的应该是多个标签, 而softmax却只能最大化一个标签.

所以我们往往会选择为每个标签使用独立的二分类器作为输出层结构,

对应的损失计算方式为’ova’表示one vs all.

这种输出层的改变意味着我们在统一语料下同时训练多个二分类模型,

对于二分类模型来讲, lr不宜过大, 这里我们设置为0.2

Linux：

# 针对多标签多分类问题, 使用'softmax'或者'hs'有时并不是最佳选择, 因为我们最终得到的应该是多个标签, 而softmax却只能最大化一个标签. 
# 所以我们往往会选择为每个标签使用独立的二分类器作为输出层结构, 
# 对应的损失计算方式为'ova'表示one vs all.
# 这种输出层的改变意味着我们在统一语料下同时训练多个二分类模型,
# 对于二分类模型来讲, lr不宜过大, 这里我们设置为0.2
>>> model = fasttext.train_supervised(input="cooking.preprocessed.train", lr=0.2, epoch=25, wordNgrams=2, loss='ova')
Read 0M words
Number of words:  8952
Number of labels: 735
Progress: 100.0% words/sec/thread:   65044 lr:  0.000000 avg.loss:  7.713312 ETA:   0h 0m 0s 

我们使用模型进行单条样本的预测, 来看一下它的输出结果.

参数k代表指定模型输出多少个标签, 默认为1, 这里设置为-1, 意味着尽可能多的输出.

参数threshold代表显示的标签概率阈值, 设置为0.5, 意味着显示概率大于0.5的标签

# 我们使用模型进行单条样本的预测, 来看一下它的输出结果.
# 参数k代表指定模型输出多少个标签, 默认为1, 这里设置为-1, 意味着尽可能多的输出.
# 参数threshold代表显示的标签概率阈值, 设置为0.5, 意味着显示概率大于0.5的标签
>>> model.predict("Which baking dish is best to bake a banana bread ?", k=-1, threshold=0.5)

可以看到根据输入文本, 输出了它的三个最有可能的标签

# 可以看到根据输入文本, 输出了它的三个最有可能的标签
((u'__label__baking', u'__label__bananas', u'__label__bread'), array([1.00000, 0.939923, 0.592677]))

Windows系统：

import fasttext

model = fasttext.train_supervised(input="cooking.preprocessed.train", epoch=25, lr=0.2, wordNgrams=2, loss='ova')

if __name__ == "__main__":
    model
    predict_result01 = model.predict("Which baking dish is best to bake a banana bread ?", k=-1, threshold=0.5)
    predict_result02 = model.predict("Why not put knives in the dishwasher?", k=-1, threshold=0.01)
    print("predict_result01 = {0}".format(predict_result01))
    print("predict_result02 = {0}".format(predict_result02))

    test_result = model.test("cooking.preprocessed.valid")
    print("test_result = {0}".format(test_result))

打印结果：

Read 0M words
Number of words:  8952
Number of labels: 735
Progress: 100.0% words/sec/thread:   37512 lr:  0.000000 avg.loss:  7.719700 ETA:   0h 0m 0s
predict_result01 = (('__label__baking', '__label__bread', '__label__equipment'), array([1.00001001, 0.99088436, 0.83974397]))
predict_result02 = (('__label__knives', '__label__equipment', '__label__utensils'), array([0.06372499, 0.06188598, 0.02229618]))
test_result = (3000, 0.597, 0.25818076978520976)

6、第六步: 模型保存与重加载

使用model的save_model方法保存模型到指定目录，你可以在指定目录下找到model_cooking.bin文件

使用fasttext的load_model进行模型的重加载

Linux：

# 使用model的save_model方法保存模型到指定目录
# 你可以在指定目录下找到model_cooking.bin文件
>>> model.save_model("./model_cooking.bin")

# 使用fasttext的load_model进行模型的重加载
>>> model = fasttext.load_model("./model_cooking.bin")

# 重加载后的模型使用方法和之前完全相同
>>> model.predict("Which baking dish is best to bake a banana bread ?", k=-1, threshold=0.5)
((u'__label__baking', u'__label__bananas', u'__label__bread'), array([1.00000, 0.939923, 0.592677]))

Windows系统：

import fasttext

model = fasttext.train_supervised(input="cooking.preprocessed.train", epoch=25, lr=0.2, wordNgrams=2, loss='ova')

if __name__ == "__main__":
    model
    model.save_model("./model_cooking.bin") # 使用model的save_model方法保存模型到指定目录
    model = fasttext.load_model("./model_cooking.bin")  # 使用fasttext的load_model进行模型的重加载
    predict_result01 = model.predict("Which baking dish is best to bake a banana bread ?", k=-1, threshold=0.5)
    predict_result02 = model.predict("Why not put knives in the dishwasher?", k=-1, threshold=0.01)
    print("predict_result01 = {0}".format(predict_result01))
    print("predict_result02 = {0}".format(predict_result02))

    test_result = model.test("cooking.preprocessed.valid")
    print("test_result = {0}".format(test_result))

五、FastText模型用途②：训练词向量

用向量表示文本中的词汇(或字符)是现代机器学习中最流行的做法, 这些向量能够很好的捕捉语言之间的关系, 从而提升基于词向量的各种NLP任务的效果.

使用fasttext工具训练词向量的过程

• 第一步: 获取数据
• 第二步: 训练词向量
• 第三步: 模型超参数设定
• 第四步: 模型效果检验
• 第五步: 模型的保存与重加载

1、第一步: 获取训练数据

1.1 获取源数据

在这里, 我们将研究英语维基百科的部分网页信息, 它的大小在300M左右。

# 在这里, 我们将研究英语维基百科的部分网页信息, 它的大小在300M左右
# 这些语料已经被准备好, 我们可以通过Matt Mahoney的网站下载.
# 首先创建一个存储数据的文件夹data
$ mkdir data
# 使用wget下载数据的zip压缩包, 它将存储在data目录中
$ wget -c http://mattmahoney.net/dc/enwik9.zip -P data
# 使用unzip解压, 如果你的服务器中还没有unzip命令, 请使用: yum install unzip -y
# 解压后在data目录下会出现enwik9的文件夹
$ unzip data/enwik9.zip -d data

1.2 查看原始数据:

$ head -10 data/enwik9

# 原始数据将输出很多包含XML/HTML格式的内容, 这些内容并不是我们需要的
<mediawiki xmlns="http://www.mediawiki.org/xml/export-0.3/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.mediawiki.org/xml/export-0.3/ http://www.mediawiki.org/xml/export-0.3.xsd" version="0.3" xml:lang="en">
  <siteinfo>
    <sitename>Wikipedia</sitename>
    <base>http://en.wikipedia.org/wiki/Main_Page</base>
    <generator>MediaWiki 1.6alpha</generator>
    <case>first-letter</case>
      <namespaces>
      <namespace key="-2">Media</namespace>
      <namespace key="-1">Special</namespace>
      <namespace key="0" />

1.3 原始数据处理

wikifil.pl脚本：

#!/usr/bin/perl

# Program to filter Wikipedia XML dumps to "clean" text consisting only of lowercase
# letters (a-z, converted from A-Z), and spaces (never consecutive).  
# All other characters are converted to spaces.  Only text which normally appears 
# in the web browser is displayed.  Tables are removed.  Image captions are 
# preserved.  Links are converted to normal text.  Digits are spelled out.

# Written by Matt Mahoney, June 10, 2006.  This program is released to the public domain.

$/=">";                     # input record separator
while (<>) {
  if (/<text /) {$text=1;}  # remove all but between <text> ... </text>
  if (/#redirect/i) {$text=0;}  # remove #REDIRECT
  if ($text) {

    # Remove any text not normally visible
    if (/<\/text>/) {$text=0;}
    s/<.*>//;               # remove xml tags
    s/&amp;/&/g;            # decode URL encoded chars
    s/&lt;/</g;
    s/&gt;/>/g;
    s/<ref[^<]*<\/ref>//g;  # remove references <ref...> ... </ref>
    s/<[^>]*>//g;           # remove xhtml tags
    s/\[http:[^] ]*/[/g;    # remove normal url, preserve visible text
    s/\|thumb//ig;          # remove images links, preserve caption
    s/\|left//ig;
    s/\|right//ig;
    s/\|\d+px//ig;
    s/\[\[image:[^\[\]]*\|//ig;
    s/\[\[category:([^|\]]*)[^]]*\]\]/[[$1]]/ig;  # show categories without markup
    s/\[\[[a-z\-]*:[^\]]*\]\]//g;  # remove links to other languages
    s/\[\[[^\|\]]*\|/[[/g;  # remove wiki url, preserve visible text
    s/\{\{[^\}]*\}\}//g;         # remove {{icons}} and {tables}
    s/\{[^\}]*\}//g;
    s/\[//g;                # remove [ and ]
    s/\]//g;
    s/&[^;]*;/ /g;          # remove URL encoded chars

    # convert to lowercase letters and spaces, spell digits
    $_=" $_ ";
    tr/A-Z/a-z/;
    s/0/ zero /g;
    s/1/ one /g;
    s/2/ two /g;
    s/3/ three /g;
    s/4/ four /g;
    s/5/ five /g;
    s/6/ six /g;
    s/7/ seven /g;
    s/8/ eight /g;
    s/9/ nine /g;
    tr/a-z/ /cs;
    chop;
    print $_;
  }
}

使用wikifil.pl文件处理脚本来清除XML/HTML格式的内容【Windows系统可以使用Git Bash命令窗口，Git Bash命令窗口perl命令】

# 使用wikifil.pl文件处理脚本来清除XML/HTML格式的内容
$ perl wikifil.pl data/enwik9 > data/fil9

查看预处理后的数据:

# 查看前80个字符
head -c 80 data/fil9

# 输出结果为由空格分割的单词
 anarchism originated as a term of abuse first used against early working class

2、第二步: 训练词向量

使用fasttext的train_unsupervised(无监督训练方法)进行词向量的训练，它的参数是数据集的持久化文件路径’data/fil9’。
Linux系统：

# 代码运行在python解释器中
# 导入fasttext
>>> import fasttext
# 使用fasttext的train_unsupervised(无监督训练方法)进行词向量的训练
# 它的参数是数据集的持久化文件路径'data/fil9'
>>> model = fasttext.train_unsupervised('data/fil9')


# 有效训练词汇量为124M, 共218316个单词
Read 124M words
Number of words:  218316
Number of labels: 0
Progress: 100.0% words/sec/thread:   53996 lr:  0.000000 loss:  0.734999 ETA:   0h 0m

查看单词对应的词向量:

# 通过get_word_vector方法来获得指定词汇的词向量
>>> model.get_word_vector("the")

array([-0.03087516,  0.09221972,  0.17660329,  0.17308897,  0.12863874,
        0.13912526, -0.09851588,  0.00739991,  0.37038437, -0.00845221,
        ...
       -0.21184735, -0.05048715, -0.34571868,  0.23765688,  0.23726143],
      dtype=float32)

Windows系统：

import fasttext

model = fasttext.train_unsupervised('data/fil9')

if __name__ == "__main__":
    model
    vector_of_the = model.get_word_vector("the")
    print("vector_of_the = \n{0}".format(vector_of_the))

打印结果：

Read 124M words
Number of words:  218316
Number of labels: 0
Progress: 100.0% words/sec/thread:   28466 lr:  0.000000 avg.loss:  0.619826 ETA:   0h 0m 0s
vector_of_the = 
[-0.09176216 -0.05832345  0.0191018   0.11178942 -0.01712495 -0.34625632
 -0.09929453  0.05793274 -0.19560948 -0.25466377  0.0252221  -0.03766044
 -0.08714669  0.02594473 -0.22714391  0.3556243  -0.16054079 -0.32303935
 -0.02460975 -0.10192005  0.10686079 -0.19614927  0.04507151 -0.07510009
 -0.03644683 -0.3675648  -0.14031157  0.03368374  0.06287843  0.32430416
  0.14121428 -0.17357464  0.18931322 -0.14820297  0.08563495  0.16823296
  0.05046154 -0.2144276   0.02580023 -0.18719815  0.17053135 -0.19649449
 -0.11190141 -0.39764288 -0.04434433 -0.0673959   0.02062983  0.0260213
 -0.02527183 -0.10407501 -0.17223638 -0.10144253  0.15879004 -0.36408037
 -0.04893739 -0.06658145 -0.62139446 -0.10785068 -0.02135039  0.28785816
 -0.18697593 -0.0986968   0.08008742  0.32631087  0.07539485  0.08220806
 -0.19432037 -0.14406013 -0.07266578  0.1243678  -0.08104107  0.24794671
 -0.04169198  0.03104601 -0.35601816  0.06507382 -0.1291676  -0.0833559
  0.24631317  0.15177608  0.37756354 -0.20903172  0.0110182   0.0871611
  0.44552273 -0.19934641  0.10094192  0.00813372 -0.16169298  0.30151305
 -0.08831821 -0.34397462 -0.2149849  -0.16884513  0.05650288 -0.20579952
 -0.16272669 -0.03395516  0.1753662  -0.3416498 ]

3、第三步: 模型超参数设定

在训练词向量过程中, 我们可以设定很多常用超参数来调节我们的模型效果, 如：

• 无监督训练模式: ‘skipgram’ 或者 ‘cbow’, 默认为’skipgram’, 在实践中，skipgram模式在利用子词方面比cbow更好.
• 词嵌入维度dim: 默认为100, 但随着语料库的增大, 词嵌入的维度往往也要更大【维度越大，抽取的特征越多，表征能力越强】.
• 数据循环次数epoch: 默认为5, 但当你的数据集足够大, 可能不需要那么多次.
• 学习率lr: 默认为0.05, 根据经验, 建议选择[0.01，1]范围内.
• 使用的线程数thread: 默认为12个线程, 一般建议和你的cpu核数相同.

# 在训练词向量过程中, 我们可以设定很多常用超参数来调节我们的模型效果, 如:
# 无监督训练模式: 'skipgram' 或者 'cbow', 默认为'skipgram', 在实践中，skipgram模式在利用子词方面比cbow更好.
# 词嵌入维度dim: 默认为100, 但随着语料库的增大, 词嵌入的维度往往也要更大.
# 数据循环次数epoch: 默认为5, 但当你的数据集足够大, 可能不需要那么多次.
# 学习率lr: 默认为0.05, 根据经验, 建议选择[0.01，1]范围内.
# 使用的线程数thread: 默认为12个线程, 一般建议和你的cpu核数相同.

>>> model = fasttext.train_unsupervised('data/fil9', "cbow", dim=300, epoch=1, lr=0.1, thread=8)

Read 124M words
Number of words:  218316
Number of labels: 0
Progress: 100.0% words/sec/thread:   49523 lr:  0.000000 avg.loss:  1.777205 ETA:   0h 0m 0s

4、第四步: 模型效果检验

检查单词向量质量的一种简单方法就是查看其邻近单词, 通过我们主观来判断这些邻近单词是否与目标单词相关来粗略评定模型效果好坏。

• 查找"运动"的邻近单词, 我们可以发现"体育网", “运动汽车”, "运动服"等.
• 查找"音乐"的邻近单词, 我们可以发现与音乐有关的词汇.
• 查找"小狗"的邻近单词, 我们可以发现与小狗有关的词汇.

# 检查单词向量质量的一种简单方法就是查看其邻近单词, 通过我们主观来判断这些邻近单词是否与目标单词相关来粗略评定模型效果好坏.

# 查找"运动"的邻近单词, 我们可以发现"体育网", "运动汽车", "运动服"等. 
>>> model.get_nearest_neighbors('sports')

[(0.8414610624313354, 'sportsnet'), (0.8134572505950928, 'sport'), (0.8100415468215942, 'sportscars'), (0.8021156787872314, 'sportsground'), (0.7889881134033203, 'sportswomen'), (0.7863013744354248, 'sportsplex'), (0.7786710262298584, 'sporty'), (0.7696356177330017, 'sportscar'), (0.7619683146476746, 'sportswear'), (0.7600985765457153, 'sportin')]


# 查找"音乐"的邻近单词, 我们可以发现与音乐有关的词汇.
>>> model.get_nearest_neighbors('music')

[(0.8908010125160217, 'emusic'), (0.8464668393135071, 'musicmoz'), (0.8444250822067261, 'musics'), (0.8113634586334229, 'allmusic'), (0.8106718063354492, 'musices'), (0.8049437999725342, 'musicam'), (0.8004694581031799, 'musicom'), (0.7952923774719238, 'muchmusic'), (0.7852965593338013, 'musicweb'), (0.7767147421836853, 'musico')]

# 查找"小狗"的邻近单词, 我们可以发现与小狗有关的词汇.
>>> model.get_nearest_neighbors('dog')

[(0.8456876873970032, 'catdog'), (0.7480780482292175, 'dogcow'), (0.7289096117019653, 'sleddog'), (0.7269964218139648, 'hotdog'), (0.7114801406860352, 'sheepdog'), (0.6947550773620605, 'dogo'), (0.6897546648979187, 'bodog'), (0.6621081829071045, 'maddog'), (0.6605004072189331, 'dogs'), (0.6398137211799622, 'dogpile')]

5、第五步: 模型的保存与重加载

使用save_model保存模型；使用fasttext.load_model加载模型

# 使用save_model保存模型
>>> model.save_model("fil9.bin")

# 使用fasttext.load_model加载模型
>>> model = fasttext.load_model("fil9.bin")
>>> model.get_word_vector("the")

array([-0.03087516,  0.09221972,  0.17660329,  0.17308897,  0.12863874,
        0.13912526, -0.09851588,  0.00739991,  0.37038437, -0.00845221,
        ...
       -0.21184735, -0.05048715, -0.34571868,  0.23765688,  0.23726143],
      dtype=float32)

6、FastText获取句子向量

句子向量就是文本中各个词向量的平均

>>> model = fasttext.load_model("fil9.bin")
>>> model.get_sentence_vector("the weather is very good")

六、FastText模型用途③：词向量模型迁移（直接拿别人已经训练好的词向量模型来使用）

词向量迁移：在自己的项目中直接使用别人在大型语料库上已经进行训练完成的词向量模型。

fasttext工具中可以提供的可迁移的词向量

• fasttext提供了157种语言 的在CommonCrawl & Wikipedia 语料上进行训练的可迁移词向量模型
  • 它们采用CBOW模式进行训练, 词向量维度为300维.
  • 可通过该地址查看具体语言词向量模型: https://fasttext.cc/docs/en/crawl-vectors.html
• fasttext提供了 294种语言 的在 Wikipedia 语料上进行训练的可迁移词向量模型
  • 它们采用skipgram模式进行训练, 词向量维度同样是300维.
  • 可通过该地址查看具体语言词向量模型: https://fasttext.cc/docs/en/pretrained-vectors.html

如何使用fasttext进行词向量模型迁移

• 第一步: 下载词向量模型压缩的bin.gz文件
• 第二步: 解压bin.gz文件到bin文件
• 第三步: 加载bin文件获取词向量
• 第四步: 利用邻近词进行效果检验

import fasttext

if __name__ == "__main__":
    pretrained_model = fasttext.load_model("cc.zh.300.bin")
    print("pretrained_model.words[:100] = {0}".format(pretrained_model.words[:100]))

    vector_of_the = pretrained_model.get_word_vector("the")
    print("vector_of_the = {0}".format(vector_of_the))

    print('model.get_nearest_neighbors("音乐") ={0}'.format(pretrained_model.get_nearest_neighbors("音乐")))
    print('model.get_nearest_neighbors("美术") ={0}'.format(pretrained_model.get_nearest_neighbors("美术")))
    print('model.get_nearest_neighbors("周杰伦") ={0}'.format(pretrained_model.get_nearest_neighbors("周杰伦")))

打印结果：

pretrained_model.words[:100] = ['，', '的', '。', '</s>', '、', '是', '一', '在', '：', '了', '（', '）', "'", '和', '不', '有', '我', ',', ')', '(', '“', '”', '也', '人', '个', ':', '中', '.', '就', '他', '》', '《', '-', '你', '都', '上', '大', '！', '这', '为', '多', '与', '章', '「', '到', '」', '要', '？', '被', '而', '能', '等', '可以', '年', '；', '|', '以', '及', '之', '公司', '对', '中国', '很', '会', '小', '但', '我们', '最', '更', '/', '1', '三', '新', '自己', '可', '2', '或', '次', '好', '将', '第', '种', '她', '…', '3', '地', '對', '用', '工作', '下', '后', '由', '两', '使用', '还', '又', '您', '?', '其', '已']
vector_of_the = [ 2.83299554e-02  2.33187713e-03  1.36764288e-01  7.39692524e-02
  1.39168892e-02  7.82695115e-02  1.11727618e-01 -3.16218287e-02
 -1.27780810e-01  1.27872340e-02 -2.55014189e-02  9.86402156e-04
 -1.46241095e-02 -3.54048721e-02 -2.51251012e-02 -4.44358587e-02
 -3.31990421e-02  1.90696735e-02  2.03274831e-01  2.08707899e-03
 -6.40445203e-02 -2.61098724e-02  2.64394730e-02  2.51781847e-03
 -8.10158625e-02  1.46124065e-01 -1.30163193e-01 -1.76550075e-02
  1.04698185e-02 -4.77032922e-02  1.81796253e-02  8.46806318e-02
 -9.96279567e-02 -5.86302988e-02  3.07471212e-03  5.06289788e-02
 -5.73958270e-03 -9.23708528e-02  9.22054797e-02  2.19214763e-02
 -3.18841916e-03  1.29185403e-02 -5.14824204e-02 -9.69366822e-03
 -4.36747000e-02 -2.64506638e-02  2.69500576e-02 -1.92980543e-02
 -5.92812970e-02 -2.34292485e-02 -3.96108069e-02  8.11716355e-03
 -2.70715877e-02 -4.85226035e-01  1.13693830e-02 -4.00817096e-02
 -3.62500921e-02  1.03012323e-02  2.00460535e-02  7.57535547e-02
 -2.93635912e-02 -5.78514338e-02  1.89056285e-02  5.00109643e-02
  2.99260169e-02 -1.63752586e-04 -6.97084814e-02 -1.55530507e-02
  1.37065388e-02 -2.81840190e-03  3.19729336e-02 -2.30297670e-02
 -9.33173764e-03  5.09245973e-03 -2.20647827e-01  3.14267501e-02
  2.31536720e-02 -1.25775225e-02 -3.07837166e-02  4.48456630e-02
  4.90459427e-02  2.88263671e-02 -1.46270916e-03  3.98606062e-02
 -5.58197964e-04  2.96456888e-02 -8.34255200e-03 -2.62771808e-02
  8.20593089e-02  9.42407027e-02  5.77388704e-02  2.56576929e-02
 -1.55801326e-02 -3.88855897e-02 -7.70438183e-03  2.44518295e-02
 -5.14636515e-03  1.07458197e-01  5.57008162e-02 -1.00818677e-02
  1.30714089e-01 -7.65488669e-03  1.72294080e-02 -9.52566862e-02
 -1.74345136e-01 -1.49983019e-02  3.26392502e-02  8.36990122e-03
 -2.21034363e-02  4.80376706e-02  7.73724914e-03  2.04776525e-02
  1.26936346e-01  3.98457795e-03 -1.74200051e-02 -2.64329687e-02
  6.60122652e-03 -4.61578965e-02 -1.65160298e-02 -3.72875556e-02
  3.46623994e-02 -4.33888361e-02  2.64325179e-02 -1.42425057e-02
  4.48260754e-02 -2.91653462e-02 -1.24630053e-02  5.07909525e-03
  4.69027553e-04  2.85666212e-02  1.31365359e-01  2.68803909e-02
 -4.89150397e-02  5.25267422e-03 -4.81516495e-02 -1.65925361e-02
  1.28320344e-02 -2.18593851e-02 -4.89627905e-02 -4.81087193e-02
 -3.09242383e-02 -4.90602478e-03  2.20398009e-01  3.15981768e-02
 -1.73793718e-01  3.35136130e-02 -7.38247931e-02 -7.54843503e-02
 -3.76006737e-02 -2.23829132e-02  1.07085824e-01  7.46346544e-03
  5.07014617e-03 -2.25644708e-02 -5.85216377e-03 -1.22892344e-02
  2.40955576e-02 -3.86240054e-03 -1.01518603e-02  7.64382109e-02
 -1.54113602e-02  4.95404610e-03  8.94018356e-03 -5.41297998e-03
  2.80214027e-02  2.75027677e-02  1.36028007e-02 -1.02453306e-02
 -1.56776533e-02  4.14362960e-02  2.66471449e-02  8.14858638e-03
 -7.20718876e-02  3.23500484e-03 -3.09573207e-02  8.08387436e-03
  6.25490583e-03 -4.16759960e-03  2.01017316e-03 -6.50798380e-02
  2.32797023e-02 -1.67584419e-01  2.04147794e-03 -2.19203550e-02
 -2.53692493e-02 -2.05096379e-01  3.39250080e-02 -3.54752317e-02
  7.10167512e-02 -3.19727883e-02 -4.80146445e-02 -4.67859767e-02
 -4.09557298e-03  2.40184236e-02 -3.27165946e-02 -8.00134800e-03
  8.29899311e-03 -5.47821671e-02 -1.70383453e-02  1.68768466e-01
 -3.27380262e-02 -5.22904564e-03 -5.12977242e-02  5.12947142e-03
  5.25860973e-02 -3.67032215e-02 -1.80079862e-02  7.39449337e-02
  6.03070073e-02  5.81426993e-02 -5.48052602e-03 -4.11980748e-02
  3.69645469e-03  3.09765153e-02  2.12551057e-02  4.11658399e-02
 -8.31688195e-03  5.36505226e-03  6.02733903e-02 -3.92289162e-02
 -9.13495198e-03  3.12871113e-03  4.61774766e-02 -3.43044810e-02
 -3.56039144e-02 -9.29420162e-03  1.35901235e-02  9.88295674e-03
 -4.70753685e-02 -5.17600179e-02 -6.27560318e-02  3.64909828e-01
 -1.30512249e-02  8.73684138e-02  9.34837759e-03  3.16907354e-02
  1.66677907e-02 -2.23183818e-03  5.98338619e-03  4.94831204e-02
  5.29364310e-02 -1.73280649e-02  3.16320881e-02  1.61211286e-02
  6.31420910e-02  7.47584831e-03 -3.43635529e-02  1.00579355e-02
  4.26177345e-02 -1.11310348e-01 -4.70249215e-03  1.52847636e-02
  3.36849615e-02  3.68684754e-02  9.62911546e-03  4.61199507e-02
  3.60683538e-03 -9.67130214e-02  3.21644321e-02  8.00635964e-02
 -2.44498193e-01 -3.56191304e-03  3.03447880e-02  6.60906285e-02
 -3.79791111e-03  1.17770676e-02 -2.35124715e-02 -4.82241549e-02
  7.70387948e-02  2.66050138e-02 -1.44300358e-02 -3.95540521e-02
 -7.86118582e-03 -1.43535435e-04  4.50247414e-02 -7.23173395e-02
 -1.02583416e-01 -2.48780474e-03 -3.63161378e-02  5.28936274e-03
 -5.11447713e-02  1.72110915e-01  4.28471230e-02  6.32201582e-02
 -2.63313837e-02  2.38881968e-02 -2.01566219e-02  1.69124268e-02
 -6.05482562e-03 -8.04027021e-02  2.81601809e-02  3.19189299e-03
 -1.32810632e-02  5.33408336e-02 -6.09975755e-02 -2.46565342e-02
  2.23067477e-02  1.94031838e-03 -2.57408153e-02 -8.26434698e-03]
model.get_nearest_neighbors("音乐") =[(0.6703276634216309, '乐曲'), (0.6569967269897461, '音乐人'), (0.6565821170806885, '声乐'), (0.6557438373565674, '轻音乐'), (0.6536258459091187, '音乐家'), (0.6502416133880615, '配乐'), (0.6501686573028564, '艺术'), (0.6437276005744934, '音乐会'), (0.639589250087738, '原声'), (0.6368917226791382, '音响')]
model.get_nearest_neighbors("美术") =[(0.724744975566864, '艺术'), (0.7165924310684204, '绘画'), (0.6741853356361389, '霍廷霄'), (0.6470299363136292, '纯艺'), (0.6335071921348572, '美术家'), (0.6304370164871216, '美院'), (0.624431312084198, '艺术类'), (0.6244068741798401, '陈浩忠'), (0.62302166223526, '美术史'), (0.621710479259491, '环艺系')]
model.get_nearest_neighbors("周杰伦") =[(0.6995140910148621, '杰伦'), (0.6967097520828247, '周杰倫'), (0.6859776377677917, '周董'), (0.6381043195724487, '陈奕迅'), (0.6367626190185547, '张靓颖'), (0.6313326358795166, '张韶涵'), (0.6271176338195801, '谢霆锋'), (0.6188404560089111, '周华健'), (0.6184280514717102, '林俊杰'), (0.6143589019775391, '王力宏')]

1、第一步: 下载词向量模型压缩的bin.gz文件

下载 “在CommonCrawl和Wikipedia语料上已经训练好的中文词向量模型” 文件 cc.zh.300.bin.gz【大小:4.17GB】。

# 这里我们以迁移在CommonCrawl和Wikipedia语料上进行训练的中文词向量模型为例:
# 下载中文词向量模型(bin.gz文件)
wget https://dl.fbaipublicfiles.com/fasttext/vectors-crawl/cc.zh.300.bin.gz

2、第二步: 解压bin.gz文件到bin文件

使用gunzip进行解压, 获取cc.zh.300.bin文件

# 使用gunzip进行解压, 获取cc.zh.300.bin文件
gunzip cc.zh.300.bin.gz

3、第三步: 加载bin文件获取词向量

直接加载 “cc.zh.300.bin” 词向量模型文件即可使用。

# 加载模型
>>> model = fasttext.load_model("cc.zh.300.bin")

# 查看前100个词汇(这里的词汇是广义的, 可以是中文符号或汉字))
>>> model.words[:100]
['，', '的', '。', '</s>', '、', '是', '一', '在', '：', '了', '（', '）', "'", '和', '不', '有', '我', ',', ')', '(', '“', '”', '也', '人', '个', ':', '中', '.', '就', '他', '》', '《', '-', '你', '都', '上', '大', '！', '这', '为', '多', '与', '章', '「', '到', '」', '要', '？', '被', '而', '能', '等', '可以', '年', '；', '|', '以', '及', '之', '公司', '对', '中国', '很', '会', '小', '但', '我们', '最', '更', '/', '1', '三', '新', '自己', '可', '2', '或', '次', '好', '将', '第', '种', '她', '…', '3', '地', '對', '用', '工作', '下', '后', '由', '两', '使用', '还', '又', '您', '?', '其', '已']


# 使用模型获得'音乐'这个名词的词向量
>>> model.get_word_vector("音乐")
array([-6.81843981e-02,  3.84048335e-02,  4.63239700e-01,  6.11658543e-02,
        9.38086119e-03, -9.63955745e-02,  1.28141120e-01, -6.51574507e-02,
        ...
        3.13430429e-02, -6.43611327e-02,  1.68979481e-01, -1.95011273e-01],
      dtype=float32)    

4、加载bin文件获取句子向量

直接加载 “cc.zh.300.bin” 词向量模型文件即可使用。

import fasttext

pretrained_model = fasttext.load_model("cc.zh.300.bin")

# 获取词向量
vector_of_word = pretrained_model.get_word_vector("音乐")

# 获取句子向量，是对词向量的平均
vector_of_sentence = pretrained_model.get_word_vector("我喜欢听音乐")

print("vector_of_word = ", vector_of_word)
print("vector_of_sentence = ", vector_of_sentence)

5、第四步: 利用邻近词进行效果检验

以’音乐’为例, 返回的邻近词基本上与音乐都有关系, 如乐曲, 音乐会, 声乐等.

# 以'音乐'为例, 返回的邻近词基本上与音乐都有关系, 如乐曲, 音乐会, 声乐等.
>>> model.get_nearest_neighbors("音乐")
[(0.6703276634216309, '乐曲'), (0.6569967269897461, '音乐人'), (0.6565821170806885, '声乐'), (0.6557438373565674, '轻音乐'), (0.6536258459091187, '音乐家'), (0.6502416133880615, '配乐'), (0.6501686573028564, '艺术'), (0.6437276005744934, '音乐会'), (0.639589250087738, '原声'), (0.6368917226791382, '音响')]

以’美术’为例, 返回的邻近词基本上与美术都有关系, 如艺术, 绘画, 霍廷霄(满城尽带黄金甲的美术师)等.

# 以'美术'为例, 返回的邻近词基本上与美术都有关系, 如艺术, 绘画, 霍廷霄(满城尽带黄金甲的美术师)等.
>>> model.get_nearest_neighbors("美术")
[(0.724744975566864, '艺术'), (0.7165924310684204, '绘画'), (0.6741853356361389, '霍廷霄'), (0.6470299363136292, '纯艺'), (0.6335071921348572, '美术家'), (0.6304370164871216, '美院'), (0.624431312084198, '艺术类'), (0.6244068741798401, '陈浩忠'), (0.62302166223526, '美术史'), (0.621710479259491, '环艺系')]

以’周杰伦’为例, 返回的邻近词基本上与明星有关系, 如杰伦, 周董, 陈奕迅等.

# 以'周杰伦'为例, 返回的邻近词基本上与明星有关系, 如杰伦, 周董, 陈奕迅等.
>>> model.get_nearest_neighbors("周杰伦")
[(0.6995140910148621, '杰伦'), (0.6967097520828247, '周杰倫'), (0.6859776377677917, '周董'), (0.6381043195724487, '陈奕迅'), (0.6367626190185547, '张靓颖'), (0.6313326358795166, '张韶涵'), (0.6271176338195801, '谢霆锋'), (0.6188404560089111, '周华健'), (0.6184280514717102, '林俊杰'), (0.6143589019775391, '王力宏')]

---

---

---

参考资料：
fastText/elmo/bert对比
nlp中的词向量对比：word2vec/glove/fastText/elmo/GPT/bert
文本分类算法之Fasttext 模型
Fasttext快速文本分类
AI Challenger 2018 细粒度用户评论情感分析 fastText Baseline
FastText：快速的文本分类器
fastText：极快的文本分类工具
fastText中常见问题汇总
Fasttext快速文本分类
使用fasttext实现文本处理及文本预测