入门NLP-4-基于深度学习的文本分类1-fastText

综述

在这里不太不关注fastText的原理，重点放在怎么使用，欢迎一起讨论。

数据

数据集来自天池比赛，可自行下载或者联系我: 链接

fastText简介及使用

fastText 架构原理

fastText 模型输入一个词的序列（一段文本或者一句话)，输出这个词序列属于不同类别的概率。
序列中的词和词组组成特征向量，特征向量通过线性变换映射到中间层，中间层再映射到标签。
fastText 在预测标签时使用了非线性激活函数，但在中间层不使用非线性激活函数。
fastText 模型架构和 Word2Vec 中的 CBOW 模型很类似。不同之处在于，fastText 预测标签，而 CBOW 模型预测中间词。

fastText的安装

FastText可以快速的在CPU上进行训练，最好的实践方法就是官方开源的版本： https://github.com/facebookresearch/fastText/tree/master/python

• pip安装

pip install fasttext

或者

git clone https://github.com/facebookresearch/fastText.git
cd fastText
sudo pip install .

• 也可以使用 setuptools 安装

git clone https://github.com/facebookresearch/fastText.git
cd fastText
python setup.py install

当时我在服务器上安装时，使用的是pip安装，安装失败，原因是使用原服务器的pip，不是root账号不能安装成果，所以我使用自己虚拟环境的pip，成功了。

fastText的使用

在使用fastText的时候，要把数据设置成API规定的格式。

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'))
# 0.82

在上述代码中，首先pd.read_csv()读取文本data和label，然后重新设置格式：一行有两列分别是’text’和’label_ft’，其中text是文本或者序列词的index，label的格式是’label’ + train_df[‘label’].astype(str)。
然后用fasttext.train_supervised()构建模型并训练，使用model.predict(x)预测并保存在val_pred中。

当然，fasttext也有很多其他的接口
如可以使用 fasttext.skipgram 和 fasttext.cbow 功能：

import fasttext
# skipgram model
model = fasttext.skipgram('data.txt','model')
print model.words # 字典中的词汇列表
 
# CBOW model
model = fasttext.cbow('data.txt','model')
print model.words

获取词汇表外单词的向量，已经训练过的模型可以用来计算词汇表外的词汇向量。

# 单词 'king' 的词向量
print model['king']

总结

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；

要知道fasttext，不过是 word2vec中 cbow + h-softmax的灵活使用，其灵活体现在两个方面：

• 模型的输出层：word2vec的输出层，对应的是每一个term，计算某term的概率最大；而fasttext的输出层对应的是分类的label。不过不管输出层对应的是什么内容，起对应的vector都不会被保留和使用；
• 模型的输入层：word2vec的输出层，是 context window 内的term；而fasttext 对应的整个sentence的内容，包括term，也包括 n-gram的内容；

两者本质的不同，体现在 h-softmax的使用：

• Wordvec的目的是得到词向量，该词向量 最终是在输入层得到，输出层对应的 h-softmax也会生成一系列的向量，但最终都被抛弃，不会使用；
• fasttext则充分利用了h-softmax的分类功能，遍历分类树的所有叶节点，找到概率最大的label（一个或者N个）；