FastText模型原理_fasstest模型

FastText简介

预备知识

N-gram模型

对句子或单词的所有长度为N的子句或子字符串进行操作，如2-gram中，对“girl”的字符串为“gi”,“ir”,"rl"进行操作，通常有操作如下：

• 比较两个单词的相似度，即按照公式根据子字符串的匹配情况计算出相似度，常用于模糊匹配、单词纠错等
• 评估句子是否合理，将句子定义为N阶马尔科夫链，即 $P(w_i|w_1,w_2,...,w_{i-1})=P(w_i|w_{i-N+1},...,w_{i-1})$，根据语料库得到的条件概率可求得句子出现在该语料库中的概率，常用于搜索引擎中输入提示、文本自动生成等

CBOW模型

是把单词的高维稀疏的one-hot向量映射为低维稠密的表示的方法。

模型架构如下：

(此处有图)

• 输入：给定词的上下文共 $C$ 个单词，每个单词由 $V$ 维的一个1-of-V的向量表示，即

{ x 1 , x 2 , . . . , x c − 1 , x c } \{x_1,x_2,...,x_{c-1},x_c\} {x1​,x2​,...,xc−1​,xc​}

• 映射：每个单词乘以一个$(V,N)$ 的输入矩阵$W$，求和得到一个 $N$ 维的中间向量 $h$，即

$$h=\frac{1}{C}\sum _{i=1}^C{x}_{i}W$$

• 输出：$h$ 乘以一个 $(N,V)$ 的输出矩阵 $W^{\prime }$，得到一个$V$ 维向量，每一维做$softmax$得到这个单词出现的概率，选择其中最大的 $C$ 个作为输出

$$V_{out}=h{W}^{\prime }=[u_1,u_2,...,u_V]$$

$$y_i=\frac{exp(u_i)}{{\sum }_{j=1}^{V}exp(u_j)}$$

FastText模型

[1]中提出了FastText模型，类似CBOW模型，使用n-gram特征代替单个词的特征，提取序列信息，效果与深度学习分类器持平，但速度快得多。其模型架构如下：

• 对整篇文档的n-gram特征，计算词向量，取平均得到文档的向量表示
• 将上述文档向量作为线性分类器的输入，并使用层次softmax计算文档属于每个类别的概率
  • 将所有类别按照频率构建哈夫曼二叉树，每次对两个类别进行二分类（如使用LR），决定走左子树或右子树，将复杂度由线性降低为对数
• 损失函数为对数似然函数取负，即

$$\begin{gathered} min-\frac{1}{N}\sum _{i=1}^N{y}_{i}log(f(BA{x}_i)) \\ 其中，x_i为第i个文档正则化/规范化后的特征向量（bagoffeatures） \\ A和B是两个权重矩阵 \end{gathered}$$

NCE loss（noise-contrastive estimation），噪声对比估计。

在词向量的生成过程中，用的loss函数是NCE或negative sampling，而不是常规的softmax。在《learning tensorflow》这本书中，作者这样说道：but it is sufficient to think of it （NCE） as a sort of efficient approximation to the ordinary softmax function used in classification tasks。由此看来，NCE是softmax的一种近似，但是为什么要做这种近似，而不直接用softmax呢？

当类别数很大时（CBOW中是单词数），softmax复杂度很高，为了更高效地进行，将softmax计算过程转化为二分类（LR）。具体地，将单词与真实类别的true pair、单词与随机类别的randomly corrupted pair送入分类器，待优化的分类器只需判断输入的pair是真或假即可。（主要思想与负采样和层次softmax相同）

Word2Vec slightly customizes the process and calls it negative sampling.

def nce_loss(weights, #[num_classes, embed_size]
             biases,  #[num_classes]
             inputs,  #[vocab_size, embed_size]
             labels,  #[vocab_size, num_true]
             num_sampled, num_classes, num_true=1,
             sampled_values=None,
             remove_accidental_hits=False,
             partition_strategy="mod",
             name="nce_loss")
1
2
3
4
5
6
7
8
9

个人理解：对input中的每个词，选择对应的标签构成正样本对，再随机选择num_sampled个标签与该词构成负样本对。对每个单词对，在weights和biases中找到对应标签的w和b，用逻辑回归进行二分类，每个分类问题计算交叉熵

Reference

[1] Bag of Tricks for Efficient Text Classification

[2] 自然语言处理中的N-Gram模型详解

[3] https://github.com/brightmart/text_classification