1
| 本文作者： 李尊 | 2016-08-19 18:32 |
導(dǎo)讀：Facebook聲稱fastText比其他學(xué)習(xí)方法要快得多，能夠訓(xùn)練模型“在使用標準多核CPU的情況下10分鐘內(nèi)處理超過10億個詞匯”，特別是與深度模型對比，fastText能將訓(xùn)練時間由數(shù)天縮短到幾秒鐘。
Facebook FAIR實驗室在最新博客中宣布將開源資料庫fastText，聲稱相比深度模型，fastText能將訓(xùn)練時間由數(shù)天縮短到幾秒鐘。
理解人們交談時的內(nèi)容，或者敲打文章時的內(nèi)容——這對于人工智能研究者來說是最大的技術(shù)挑戰(zhàn)之一，但是也確實是關(guān)鍵的一個需求。自動文本處理在日常計算機使用中相當關(guān)鍵，在網(wǎng)頁搜索和內(nèi)容排名以及垃圾內(nèi)容分類中占重要組成部分。且當它運行的時候你完全感受不到它。隨著在線數(shù)據(jù)總量越來越大，需要有更靈活的工具來更好的理解這些大型數(shù)據(jù)集，來提供更加精準的分類結(jié)果。
為了滿足這個需求，F(xiàn)acebook FAIR實驗室開源了fastText。fastText是一個資料庫，能針對文本表達和分類幫助建立量化的解決方案。關(guān)于fastText具體實現(xiàn)原理，F(xiàn)acebook另外發(fā)表了兩篇相關(guān)論文，兩篇論文具體信息如下：
Bag of Tricks for Efficient Text Classification（高效文本分類技巧）
Enriching Word Vectors with Subword Information（使用子字信息豐富詞匯向量）
fastText結(jié)合了自然語言處理和機器學(xué)習(xí)中最成功的理念。這些包括了使用詞袋以及 n-gram 袋表征語句，還有使用子字（subword）信息，并通過隱藏表征在類別間共享信息。我們另外采用了一個softmax層級（利用了類別不均衡分布的優(yōu)勢）來加速運算過程。這些不同概念被用于兩個不同任務(wù)：
有效文本分類
學(xué)習(xí)詞向量表征
舉例來說：fastText能夠?qū)W會“男孩”、“女孩”、“男人”、“女人”指代的是特定的性別，并且能夠?qū)⑦@些數(shù)值存在相關(guān)文檔中。然后，當某個程序在提出一個用戶請求（假設(shè)是“我女友現(xiàn)在在兒？”），它能夠馬上在fastText生成的文檔中進行查找并且理解用戶想要問的是有關(guān)女性的問題。
在文本處理領(lǐng)域中深度神經(jīng)網(wǎng)絡(luò)近來大受歡迎，但是它們訓(xùn)練以及測試過程十分緩慢，這也限制了它們在大數(shù)據(jù)集上的應(yīng)用。
fastText能夠解決這個問題，其實現(xiàn)過程如下所示：
對于有大量類別的數(shù)據(jù)集，fastText使用了一個分層分類器（而非扁平式架構(gòu)）。不同的類別被整合進樹形結(jié)構(gòu)中（想象下二叉樹而非 list）。
考慮到線性以及多種類別的對數(shù)模型，這大大減少了訓(xùn)練復(fù)雜性和測試文本分類器的時間。fastText 也利用了類別（class）不均衡這個事實（一些類別出現(xiàn)次數(shù)比其他的更多），通過使用 Huffman 算法建立用于表征類別的樹形結(jié)構(gòu)。因此，頻繁出現(xiàn)類別的樹形結(jié)構(gòu)的深度要比不頻繁出現(xiàn)類別的樹形結(jié)構(gòu)的深度要小，這也使得進一步的計算效率更高。
Huffman 算法
fastText 另外使用了一個低維度向量來對文本進行表征，通過總結(jié)對應(yīng)文本中出現(xiàn)的詞向量進行獲得。在 fastText 中一個低維度向量與每個單詞都相關(guān)。隱藏表征在不同類別所有分類器中進行共享，使得文本信息在不同類別中能夠共同使用。這類表征被稱為詞袋（bag of words）（此處忽視詞序）。在 fastText中也使用向量表征單詞 n-gram來將局部詞序考慮在內(nèi)，這對很多文本分類問題來說十分重要。
實驗表明 fastText 在準確率上與深度學(xué)習(xí)分類器具有同等水平，特別是在訓(xùn)練和評估速率上要高出幾個數(shù)量級。使用 fastText能夠?qū)⒂?xùn)練時間從幾天降至幾秒，并且在許多標準問題上實現(xiàn)當下最好的表現(xiàn)（例如文本傾向性分析或標簽預(yù)測）。
FastText與基于深度學(xué)習(xí)方法的Char-CNN以及VDCNN對比
文本分類對于商業(yè)界來說非常重要。垃圾郵件或釣魚郵件過濾器可能就是最典型的例子?，F(xiàn)在已經(jīng)有能為一般分類問題（例如 Vowpal Wabbit 或 libSVM）設(shè)計模型的工具，但是 fastText 專注于文本分類。這使得在特別大型的數(shù)據(jù)集上，它能夠被快速訓(xùn)練。我們使用一個標準多核 CPU，得到了在10分鐘內(nèi)訓(xùn)練完超過10億詞匯量模型的結(jié)果。此外， fastText還能在五分鐘內(nèi)將50萬個句子分成超過30萬個類別。
除了文本分類以外，fastText也能被用來學(xué)習(xí)詞匯向量表征。利用其語言形態(tài)結(jié)構(gòu)，fastText能夠被設(shè)計用來支持包括英語、德語、西班牙語、法語以及捷克語等多種語言。它還使用了一種簡單高效的納入子字信息的方式，在用于像捷克語這樣詞態(tài)豐富的語言時，這種方式表現(xiàn)得非常好，這也證明了精心設(shè)計的字符 n-gram 特征是豐富詞匯表征的重要來源。FastText的性能要比時下流行的word2vec工具明顯好上不少，也比其他目前最先進的詞態(tài)詞匯表征要好。
不同語言下FastText與當下最先進的詞匯表征進行比較
fastText基于Mac OS或者Linux系統(tǒng)構(gòu)筑，使用 C++11 的特性。需要python 2.6 或者更高版本支持，以及numpy & scipy等軟件支持。
示例：
$ git clone https://github.com/facebookresearch/fastText.git
$ cd fastText
$ make
$ ./fasttext supervised
Empty input or output path.
The following arguments are mandatory:
-input training file path
-output output file path
The following arguments are optional:
-lr learning rate [0.05]
-dim size of word vectors [100]
-ws size of the context window [5]
-epoch number of epochs [5]
-minCount minimal number of word occurences [1]
-neg number of negatives sampled [5]
-wordNgrams max length of word ngram [1]
-loss loss function {ns, hs, softmax} [ns]
-bucket number of buckets [2000000]
-minn min length of char ngram [3]
-maxn max length of char ngram [6]
-thread number of threads [12]
-verbose how often to print to stdout [10000]
-t sampling threshold [0.0001]
-label labels prefix [__label__]
總結(jié)：Facebook FAIR實驗室最新開源工具fastText能將訓(xùn)練時間由數(shù)天縮短到幾秒鐘，相較于基于深度學(xué)習(xí)的模型方法，在保證同等精度的前提下fastText速度上快了幾個數(shù)量級。此外，fastText還能作為文本分類在實際應(yīng)用中的專業(yè)工具，特別是對于大型數(shù)據(jù)集能實現(xiàn)相當快的訓(xùn)練速度。另外因其自身語言形態(tài)結(jié)構(gòu)，fastText還能支持包括英語、德語、西班牙語、法語以及捷克語等多種語言。
PS : 本文由雷鋒網(wǎng)編譯，未經(jīng)許可拒絕轉(zhuǎn)載！
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
