Fasttext模型总结

标签：词向量   erer   ram   特点   png   向量   http   pdf   需要   

Fasttext模型结构

左图是Fasttext，右图是CBOW，可以看出Fasttext模型与CBOW的模型结构有点像，都有输入层、隐藏层、输出层，但二者还是有挺大区别的，二者的区别如下：

1. 输入层：

   • CBOW：输入的是每个词的One-hot向量；
   • Fasttext：输入的是每个词的词嵌入向量。

2. 隐藏层：

   • CBOW：先将输入层的每个One-hot向量乘以词嵌入矩阵，得到每个词的词嵌入向量，再求和取平均；
   • Fasttext：直接对输入层的词向量求和取平均。

3. 输出层：

   • CBOW：原始的CBOW使用Softmax方法，输出的类别是词表中的每个词；
   • Fasttext：使用Hiererachical softmax方法简化softmax计算，提升训练速度；另外Fasttext的输出是文章的类别。

Fasttext的特点

1. fastText引入了subword n-gram的概念，解决了词形变化(morphology)的问题、低频词、未登录词的问题。

2. fastText更适用于样本数量大、类别标签多的任务，一般能够得到很好的效果，大多数情况下强于传统的BOW + LR/SVM分类器。更重要的是，训练效率非常之高。

Fasttext的缺点

subword n-gram信息的加入，不但解决了低频词未登录词的表达的问题，而且对于最终任务精度一般会有几个百分点的提升。唯一的问题就是由于需要估计的参数多，模型可能会比较膨胀。不过，Facebook也提供了几点压缩模型的建议：

1. 采用hash-trick。由于n-gram原始的空间太大，可以用某种hash函数将其映射到固定大小的buckets中去，从而实现内存可控；

2. 采用quantize命令，对生成的模型进行参数量化和压缩；

3. 减小最终向量的维度。

需要注意的是以上几种方法都会以一定的精度损失为代价，尤其是维度的压缩，具体可以实践中再权衡。

参考资料

Bag of Tricks for Efficient Text Classification

fastText，智慧与美貌并重的文本分类及向量化工具

Fasttext模型总结

标签：词向量   erer   ram   特点   png   向量   http   pdf   需要   

原文地址：https://www.cnblogs.com/elisha/p/14033109.html