使用FastText来构建你的第一个文本分类器

ML , , 评论

前言

最近在做一些意图识别方面的工作，所以尝试一下用 fasttext 做一个文本分类器，学习记录如下。

简介

首先，我们使用 fasttext 的目的是什么？是文本分类，即对一个词语，给出它所属于的类别。

文本分类的目标是将文档（如电子邮件，博文，短信，产品评论等）分为一个或多个类别。 这些类别可以是根据评论分数，垃圾邮件与非垃圾邮件来划分，或者文档的编写语言。 如今，构建这种分类器的主要方法是机器学习，即从样本中学习分类规则。 为了构建这样的分类器，我们需要标注数据，它由文档及其相应的类别（也称为标签或标注）组成。

什么是 fasttext 呢？

FastText 是 Facebook 开源的一款快速文本分类器，提供简单而高效的文本分类和表征学习的方法，精度接近深度模型但是速度更快。

原理

原理这部分要跳过了，因为网上的原理文章特别多，如果各位感兴趣的话可以移步 google 搜索或者文末相关文章。我在那里放了几个链接。

至于本文，首先网上的原理文章讲的普遍都不错。其次我对原理的了解程度完全不能让我在这里清楚的写出来，毕竟我只是个可怜的工程师。实现它，干上线才是我的宿命。

实际应用

首先要理解，fasttext 只是一个工具包，怎么使用它，用什么方式来实现它都是可选的。这里我选择的是使用命令行来训练模型，之后用 java 语言提供在线服务。当然你可以选择使用各种语言来进行训练和服务，因为有多种语言的 fasttext 包。

下载安装

我们可以直接下载正式发布的某个版本，

1
2
3
4

wget https://github.com/facebookresearch/fastText/archive/v0.1.0.zip
unzip v0.1.0.zip

我个人更加推荐直接 clone 它在 github 上的项目，即执行：

1
git clone git@github.com:facebookresearch/fastText.git

之后进入他的目录，执行 make 即可。

安装完毕之后，可以直接执行不带任何参数的命令，可以获取相关的帮助手册。

2019-11-17-21-15-46

处理数据

官网的教程是使用 传送门 的一部分数据进行训练，这当然可以，但是我觉得大家可能更想看一些中文的训练样本。

首先给大家介绍一下训练样本的格式。如下：

1
2
3
4
__label__name 呼 延 十
__label__name 张 伟
__label__city 北京
__label__city 西安

文本文件的每一行都包含一条训练样本，其后是相应的文档。 所有标签都以 label 前缀开始，这就是 fastText 如何识别标签或单词是什么。 然后对模型进行训练，以预测给定文档的标签。

注意，当你生成你的样本之后，需要区分开训练集和测试集，一般情况下我们使用训练：测试=8:2的比例。

我个人的训练样本中，包含城市名 (area), 人名 (name), 以及其他一些标签。训练样本 4 千万条，测试样本 1 千万条。基本上使用已经确定的一些词典生成。为了提升效果，样本尽可能准确，且数量尽量多一些。

训练

执行下面的命令，然后你会看到类似于下面的输出，等待运行完成（其中 input 是你的训练数据，output 是你输出的模型文件名称）:

1
2
3
4
5
./fasttext supervised -input data.train -output model_name
Read 0M words
Number of words:  14598
Number of labels: 734
Progress: 100.0%  words/sec/thread: 75109  lr: 0.000000  loss: 5.708354  eta: 0h0m

训练完成之后，你可以这样运行你的测试集来查看一些关键指标：

其中 test 之后紧接着是你的模型文件以及测试数据集。下面的指标是精确率和召回率。这个在后面解释。

1
2
3
4
5
./fasttext test model_name.bin data.test              
N  3000
P@5  0.0668
R@5  0.146
Number of examples: 3000

为了直观的测试一些常见 case 的结果，我们可以运行命令，交互式的进行一些测试。我的一些测试如下：
2019-11-17-21-34-34
.

调优

首先这是对精确度和召回率的定义。

1
2
3
4
5
6
7
8
9
10
精确度是由 fastText 所预测标签中正确标签的数量。 召回率是所有真实标签中被成功预测出的标签数量。 我们举一个例子来说明这一点：

Why not put knives in the dishwasher?

在 Stack Exchange 上，这句话标有三个标签：equipment，cleaning 和 knives。 模型预测出的标签前五名可以通过以下方式获得：

>> ./fasttext predict model_cooking.bin - 5
前五名是 food-safety, baking, equipment, substitutions and bread.

因此，模型预测的五个标签中有一个是正确的，精确度为 0.20。 在三个真实标签中，只有 equipment 标签被该模型预测出，召回率为 0.33。

毫无疑问，不论我们的目的是不是识别多个标签，这两个数值我们都要尽量高一些。

优化样本

我们的样本是程序生成的，这样理论上来说不能保证正确，最好是人工标注，当然人工标注千万级别的数据比较难，那么我们至少应该对样本进行一些基本的清理，比如单字去掉，符号去掉，统一小写等等操作。只要是与你的分类无关的数据理论上都应该去掉。

更多的迭代和更好的学习速率

简而言之，就是一些运行参数的变化，我们让程序训练更多轮，且更优的学习速率，加上这两个参数-lr 1.0 -epoch 25 , 当然你可以根据实际情况进行不断的调整及测试。

使用 n-gram

这是一个额外提高，在刚才的模型中，训练的时候是没有加上n-gram特征的，也就是没有考虑词序的因素。这里可以 简单了解 n-gram.

这是最终执行的训练命令：

1
2
3

./fasttext  supervised -input data.train -output ft_model -epoch 25 -lr 1.0 -wordNgrams 2 -bucket 200000 -dim 50 -loss hs

这是我在我的测试集上的精确率和召回率：

1
2
3
N       10997060
P@1     0.985
R@1     0.985

经过以上几个简单的步骤，识别准确度已经到了 98.5%, 这其实是一个不错的效果了，因为我目前没有确定是否使用这个方案来进行实际应用，所以到了 98.5%之后也没有继续进行优化了，如果后续有优化，我会来更新这篇文章。将所用到的优化方法记录下来。

demo

首先我们在 pom 文件中引入：

1
2
3
4
5
6
<dependency>
    <groupId>com.github.vinhkhuc</groupId>
    <artifactId>jfasttext</artifactId>
    <version>0.4</version>
</dependency>

然后简单的写一下就好了：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
import com.github.jfasttext.JFastText;

/**
 * Created by pfliu on 2019/11/17.
 */
public class FastTextDemo {

    public static void main(String [] args){
        JFastText jt = new JFastText();
        jt.loadModel("/tmp/ft_model_5.bin");

        String ret = jt.predict("呼 延 十");
        System.out.println(ret);

    }
}

python 代码，更加简单了：

2019-11-17-22-18-12

当然记得先安装一下：pip3 install fasttext.

相关文章

fastText 原理及实践

自然语言处理中 n-gram 模型


完。

ChangeLog

2019-11-17 完成

以上皆为个人所思所得，如有错误欢迎评论区指正。

欢迎转载，烦请署名并保留原文链接。

联系邮箱：huyanshi2580@gmail.com

更多学习笔记见个人博客或关注微信公众号 < 呼延十 >——>呼延十

呼延十Developer

个人简介。