★★★ 本文源自AlStudio社区精品项目，【点击此处】查看更多精品内容 >>>

fastText

论文 | Bag of Tricks for Effificient Text Classifification

链接 | https://arxiv.53yu.com/abs/1607.01759

作者 | Armand Joulin, Edouard Grave, Piotr Bojanowski, Tomas Mikolov

发布时间 | 2016

一、概述

尽管深度学习神经网络在自然语言处理方面表现出色，但它们通常需要数十层甚至上亿个参数，因此速度较慢且需要大量计算资源的支持，这限制了它们的应用场景。相比之下，fastText是一种由Facebook开源的简单而高效的文本分类器，采用浅层神经网络实现了word2vec和文本分类功能。fastText与深度网络在效果上几乎相当，但更加节省资源，并且速度提高了百倍，因此可以被视为高效的工业级解决方案。

fastText是在负采样的Skip-Gram模型基础上，进一步的将每个中心词视作子词的集合，并学习该子词的词向量。

简单理解该方案：

以like这个词为例，设子词为2个字符，则子词包括"<l" , “li”,“ik”,“ke”, “e>” 和特殊子词"<like>"，其中 “<” 和 “>” 是为了将作为前后缀的子词区分出来。而且，这里的子词 “her” 与整词 “<her>” 也可被区分。给定一个词 $w$， 通常我们的习惯于将字符长度在 3 到 6 之间的所有子词和特殊子词的并集 ${\mathcal{G}}_w$ 取出。假设词典中任意子词 $g$ 的子词向量为 ${\mathbf{z}}_g$ ，我们可以把使用负采样的 skip-gram 模型的损失函数
$$-\log P\left(w_o\mid w_c\right)=-\log \frac{1}{1+\exp \left(-{\mathbf{u}}_o^T{\mathbf{v}}_c\right)}-\sum _{k=1,w_k\sim P(w)}^K\log \frac{1}{1+\exp \left({\mathbf{u}}_{i_k}^T{\mathbf{v}}_c\right)}$$
直接替换成
$$\begin{array}{rl}& -\log P\left(w_o\mid w_c\right)=\\ & -\log \frac{1}{1+\exp \left(-{\mathbf{u}}_o^T{\sum }_{g\in {\mathcal{G}}_{w_c}}{\mathbf{z}}_g\right)}-\sum _{k=1,w_k\sim P(w)}^K\log \frac{1}{1+\exp \left({\mathbf{u}}_{i_k}^T{\sum }_{g\in {\mathcal{G}}_{w_c}}{\mathbf{z}}_g\right)}\end{array}$$
不难看出，原中心词向量被替换成了中心词的子词向量之和，这与整词学习(word2vec, Glove)不同，并且词典以外的新词也可以使用fastText中相应的子词向量之和来表达。

二、Why 提出 fastText

Word2Vec的局限

Word2Vec不能处理训练中未出现的词(Out of Vocabulary, OOV)

例如：tensor, flow已经在Word2Vec词典出现，但tensorflow未出现过 --> OOV Error

无法处理形态相同的词（morphology)，即词根相同的词

对于具有相同词根(eat)的词， eaten，eating，eats，可能难以同时出现，实际训练就容易将其当成独一无二的词，也就是语义类似的词无法做到参数共享。
$$\begin{gathered} Sharedradical \\ eateatseateneatereating \end{gathered}$$

为了解决以上问题，fastText提出

三、fastText提出

直觉（intuition）：借鉴n-gram的思想，考虑字符级别的信息

使用单词内部语义用以改善Word2Vec的语义表示

sub-word的产生

Step 1：给定一个词，并且在词首尾添加上<>表示开始与结束

$$eating\to <eating>$$

Step 2：设定n-gram的滑动窗口大小 n=3（可以设置为其他值），对词进行滑动
$$<eating>$$
Step 3：当n=3, 4, 5, 6时所得到的n-grams列表
$$\begin{array}{rl}& \begin{array}{lll}Word& Length(n)& Charactern-grams\\ \text{ eating }& 3& \text{ <ea, east, ati, tin, ing, ng> }\\ \text{ eating }& 4& \text{ <eat, eati, atin, ting, ing> }\\ \text{ eating }& 5& \text{ <eati, eatin, ating, ting> }\\ \text{ eating }& 6& \text{ <eatin, eating, ating> }\end{array}\end{array}$$
问题:这样会存在大量的唯一的n-grams

Hash

由于 n-gram 的量远比 word 大的多，完全存下所有的 n-gram 不太现实。fastText 采用的是 Hash 桶的方式，把所有的 n-gram 映射到 buckets 个桶中，而映射到相同桶的 n-gram 共享同一个 embedding vector，如下图所示

图中 Win 代表整个 Embedding 矩阵，其中前 V 行是 word Embedding，后 Buckets 行是 n-gram Embedding，每个 n-gram 通过 hash 函数之后映射到 0~Bucket-1 位置，得到对应的 embedding 向量。用哈希的方式既能保证查找时 O (1) 的效率，又可能把内存消耗控制在 O (buckets * dim) 范围内。不过这种方法潜在的问题是存在哈希冲突，不同的 n-gram 可能会共享同一个 embedding。如果桶大小取的足够大，这种影响会很小

具体实现过程为负采样的Skip-Gram模型，唯一的区别就是对中心词的子词化的处理

优劣势分析

fastText 对于形态丰富的语言较重要，例如阿拉伯语、德语和俄语。例如，德语中有很多复合词，例如乒乓球（英文 table tennis）在德语中叫 “Tischtennis”。fastText 可以通过子词表达两个词的相关性，例如 “Tischtennis” 和 “Tennis”，特别是当训练预料规模较小的时候，提升尤为出色。
$$\begin{array}{llll}& \text{ word2vec-skipgram }& \text{ word2vec-cbow }& \text{ fasttext }\\ \text{ Czech }& 52.8& 55.0& 77.8\\ \text{ German }& 44.5& 45.0& 56.4\\ \text{ English }& 70.1& 69.9& 74.9\\ \text{ Italian }& 51.5& 51.8& 62.7\end{array}$$
但与Word2Vec相比，FastText降低了语义类比的任务性能，随着语料库规模的增加，两者的差异越来越小。
$$\begin{array}{cccc}& \text{ word2vec-skipgram }& \text{ word2vec-cbow }& \text{ fasttext }\\ \text{ Czech }& 25.7& 27.6& 27.5\\ \text{ German }& 66.5& 66.8& 62.3\\ \text{ English }& 78.5& 78.2& 77.8\\ \text{ Italian }& 52.3& 54.7& 52.3\end{array}$$

• fastText比常规的skipgram慢1.5倍，因为增加了n-grams的开销
• 在单词相似度任务中，带有n-grams的sub-word信息比CBOW和Skip-gram基线具有更好的性能。

另外，如果遇到一个新词，对于 fastText 来说，它可以从训练集中找出这个新词的所有子词向量，然后做个求和，就能算出这个新词的词向量了

四、实践

1.使用官方CLI工具

Word representations · fastText

2.使用gensim的fasttext

FastText Model — gensim (radimrehurek.com)

3.使用PaddlePaddle进行简单的尝试！

!unzip /home/aistudio/data/data198438/ag_news.zip

Archive:  /home/aistudio/data/data198438/ag_news.zip
 extracting: ag_news/classes.txt     
  inflating: ag_news/readme.txt      
  inflating: ag_news/test.csv        
  inflating: ag_news/train.csv       

from collections import Counter
from sklearn.model_selection import train_test_split
 
import pandas as pd

data=pd.read_csv(r"./ag_news/train.csv",header=None,encoding="utf-8")
train,val=train_test_split(data,test_size=0.2,shuffle=True)
# 我们这里只取新闻描述，直接使用验证集充当测试集，验证集不参与训练
train_x=list(train.iloc[:,2])
train_y=list(train.iloc[:,0])
val_x=list(val.iloc[:,2])
val_y=list(val.iloc[:,0])

# 新闻描述
print(train_x[1])
# 类别
print(train_y[1])

Earlier this month, the US space program lost one of its most colorful pioneers - Leroy Gordon  quot;Gordo quot; Cooper Jr., one of the Mercury 7 astronauts, whose exploits and foibles 
4

# 数据清洗
# 目的是保留每个句子中的所有单词与空格
def clear(data):
    for i, s in enumerate(data):
        clears = ""
        # 遍历当前句子每一个字符
        for char in s:
            # 若字符是字母或空格则保留
            if(char.isalpha() or char == " "):
                clears += char
        data[i] = clears
clear(train_x)
clear(val_x)

#拼接所有句子，制作词典

document = ""
for s in train_x:
    document += " " + str(s).lower()

# 按照空格拆分,并进行简单的数据清洗
clear_d = []
for word in document.split(" "):
    if(word.isalpha()):
        clear_d.append(word)

# Counter函数统计词频
freq = dict(Counter(clear_d))
idx2word = ["<pad>"] + list(freq.keys()) + ["<unk>"]
word2idx = { w:idx for idx, w in enumerate(idx2word)}
vocab_size = len(idx2word)

del freq

def corpus_encode(corpus):
    # 分词操作
    for i in range(len(corpus)):
        # 每个句子直接分词
        s1 = corpus[i]
        sentences = corpus[i].lower().split(" ")

        # 存储当前句子的编码信息
        c = []
        for word in sentences:
            # 是单词才编码
            if(word.isalpha()):
                # 用词典中的索引代表该单词，若不在词典则用UNK的索引代表该单词
                c.append(word2idx.get(word, word2idx["<unk>"]))
            # if(len(c)==0):
                # print("原来的句子", s1)
                # print("分解以后的句子", sentences)

            # 编码代替原先的句子
            corpus[i] = c
            
print("原来的句子")
print(val_x[0])
print(train_x[0])
corpus_encode(val_x)
corpus_encode(train_x)
print("编码代替后的句子")
print(val_x[0])
print(train_x[0])

原来的句子
The United States accused the UN agriculture body on Friday of mismanaging the locust crisis afflicting vast swathes of West Africa
Crude oil futures rose to within a quarter of  a barrel Monday after a gas leak shut down a North Sea oil production platform and as traders weighed concerns about heating oil supplies against the fact that temperatures have been mild in recent weeks
编码代替后的句子
[30, 159, 160, 2524, 30, 1066, 479, 1587, 77, 180, 9, 42802, 30, 14986, 3034, 34044, 815, 42804, 9, 812, 2751]
[1, 2, 3, 4, 5, 6, 7, 8, 9, 7, 10, 11, 12, 7, 13, 14, 15, 16, 7, 17, 18, 2, 19, 20, 21, 22, 23, 24, 25, 26, 27, 2, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39]

# set集合，大括号中每组词向量为二维list
Features = set()

def word_N_gram(s, N = 2, train = False):
    features = []
    for i in range(len(s) - N + 1):
        f = str(s[i : i+N])
        if train:
            Features.add(f) # 训练阶段应该统计有哪些特征
        # 将一句话的每个词进一步拆分成多个小的词向量，例如like  --> li ik ke
        features.append(f)
    return features

# 生成每个句子的n-gram特征
train_n_gram = []
for s in train_x:
    # 已有的词向量与又拆分的二元词向量累加作为训练的词向量
    train_n_gram.append(word_N_gram(s, train=True))
val_n_gram = []
for s in val_x:
    val_n_gram.append(word_N_gram(s))

len(train_x) == len(train_n_gram)

True

# 给n-gram特征建立索引表
idx2ngram = ["[<pad>]"] + list(Features) + ["[<unk>]"]
ngram2idx = {w:c for c, w in enumerate(idx2ngram)}
ngram_size = len(idx2ngram)

# 给特征进行编码
def encode_gram(n_gram):
    for i, s in enumerate(n_gram):
        feature = []
        for word in s:
            feature.append(ngram2idx.get(word, ngram2idx["[<unk>]"]))
        n_gram[i] = feature
encode_gram(train_n_gram)
encode_gram(val_n_gram)

# 列表中的每一位为一个N_gram，例如like的li，为它新建立一个索引并返回
# train_n_gram[0]
# val_n_gram[0]

import paddle
 
# from torch.nn.utils.rnn import pad_sequence
from paddle.io import DataLoader 
from paddle.io import Dataset
# import paddle.static.nn as F

# 统计每个句子的长度，为了后面取均值

# map(function, iterable, ...)
lensTrianWord = list(map(len, train_x))
lensVarWord = paddle.to_tensor(list(map(len, val_x)))

lensTrianNGram = list(map(len, train_n_gram))
lenValNGram = paddle.to_tensor(list(map(len, val_n_gram)))

# 句子进行pad,这种方式即全以最长的句子为规模进行组装
def padding(train_x, max_len):
    for i in range(0, len(train_x)):
        zero_list = [0 for i in range(0, max_len - len(train_x[i]))]
        train_x[i].extend(zero_list)


# padding(train_x, 168)
# padding(train_n_gram, 167)
padding(train_x, 173)
padding(train_n_gram, 172)
padding(val_x, 173)
padding(val_n_gram, 172)


train_x = list(map(lambda x : paddle.to_tensor(x), train_x))
val_x = list(map(lambda x : paddle.to_tensor(x), val_x))

train_n_gram = list(map(lambda x : paddle.to_tensor(x), train_n_gram))
val_n_gram = list(map(lambda x : paddle.to_tensor(x), val_n_gram))

# 原本类别是1 2 3 4
# CrossEntropyLoss()的类别要求0 1 2 3 这种格式，因此-1
# train_y最终会放入数据生成器中，因此写列表元素为tensor形式
train_y = list(map(lambda x : paddle.to_tensor(x) - 1, train_y))
val_y = list(map(lambda x : x - 1, val_y))
val_y = paddle.to_tensor(val_y)

lensVarWord[0]

Tensor(shape=[1], dtype=int64, place=Place(gpu:0), stop_gradient=True,
       [21])

class mydata(Dataset):
    def __init__(self, train_x, train_Ngram, train_y, lensX, lensNGram):
        super(mydata, self).__init__()
        self.train_x = train_x
        self.train_Ngram = train_Ngram
        self.train_y = train_y
        self.lensX = lensX
        self.lensNGram = lensNGram
    
    def __len__(self):
        return len(self.train_x)

    def __getitem__(self, idx):
        return self.train_x[idx], self.train_Ngram[idx], self.lensX[idx], self.lensNGram[idx], self.train_y[idx]

batch_size = 20
data = mydata(train_x, train_n_gram, train_y, lensTrianWord, lensTrianNGram)
dataloader = DataLoader(data, batch_size=batch_size, shuffle=True, num_workers=0)

for x,ngram,lenx,lenNgram,y in dataloader:
    print(x.shape,ngram.shape,lenx.shape,lenNgram.shape,y.shape)
    break

[20, 173] [20, 172] [20] [20] [20, 1]

[20] [20, 1]

import paddle.nn as nn

from paddle.nn import Layer

# 模型深度
d_model = 50
# 类别数量
class_num = 4
ngram_size = len(ngram2idx)

class cbow(Layer):
    def __init__(self, vocab_size, ngram_size, d_model, class_num) -> None:
        super(cbow, self).__init__()
        self.vocab_size = vocab_size
        self.d_model = d_model
        self.class_num = class_num
        # torch.nn.Embedding(num_embeddings, embedding_dim, padding_idx=None)
        # num_embeddings (int) – size of the dictionary of embeddings
        # padding_idx 指定pad的索引，指定之后该索引不会随着训练的更新而更新
        self.embed1 = nn.Embedding(vocab_size, d_model, padding_idx=0)
        self.embed2 = nn.Embedding(ngram_size, d_model, padding_idx=0)
        self.linear = nn.Linear(d_model, class_num)


    def forward(self, x, ngram, lensX, lenNgram):
        # x[batch, maxlen1], ngram[batch, maxlen2], lensX[batch], lenNgram[batch]
        # Embedding的参数维度通常是放在bts之后，与Embedding扩展维度之前
        x = self.embed1(x) # x[batch, maxlen1, d_model]
        ngram = self.embed2(ngram) # ngram[batch, maxlen1, d_model]
        # 词向量求和
        x = paddle.sum(x, axis=1) # x[batch, d_model]
        ngram = paddle.sum(ngram, axis=1) # ngram[batch, d_model]
        x = x + ngram
        lens = lensX + lenNgram
        lens = lens.unsqueeze(1) # lens[batch, 1]
        # 取均值
        x /= lens
        output = self.linear(x)
        return output

model=cbow(vocab_size,ngram_size,d_model,class_num)
model(x,ngram,lenx,lenNgram).shape

[20, 4]

from paddle.optimizer import Adagrad

epochs = 2
lr = 0.01



optimize = Adagrad(parameters=model.parameters(), learning_rate=lr)
lossCul = nn.CrossEntropyLoss()

for epoch in range(epochs):
    #总损失
    allloss=0
    for step,(x,ngram,lenx,lenNgram,y) in enumerate(dataloader):
        output=model(x,ngram,lenx,lenNgram)
        #计算极大似然函数损失
        loss=lossCul(output,y)
        optimize.clear_grad()
        loss.backward()
        optimize.step()
        
        allloss+=loss
        if((step+1)%500==0):
            print("epochs:",epoch+1," iter:",step+1," loss:",allloss/(step+1))

五、总结

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。

论文总结

关键点：

1. 基于深度学习的文本分类方法效果好，但是速度比较慢
2. 基于线性分类器的机器学习方法效果还行，速度也比较快，但是需要做烦琐的特征工程
3. Fasttext模型的提出

创新点：

1. 提出了一种新的文本分类模型—Fasttext模型
2. 利用了一些加快文本分类和使得文本分类效果更好的技巧——层次softmax和n-gram特征。
3. 在文本分类和tag预测两个任务上得到了又快又好的结果。

参考资料：

• Glove和fastText - mathor (wmathor.com)

• 词嵌入-第五期-Word2vec之FastText_哔哩哔哩_bilibili

此文章为搬运
原项目链接