文本分类fastText算法

1. 概述

在深度学习遍地开花的今天,浅层的网络结构甚至是传统的机器学习算法被关注得越来越少,但是在实际的工作中,这一类算法依然得到广泛的应用,或者直接作为解决方案,或者作为该问题的baseline,fastText就是这样的一个文本分类工具。fastText是2016年由facebook开源的用于文本分类的工具,fastText背后使用的是一个浅层的神经网络,在保证准确率的前提下,fastText算法的最大特点是快。

2. 算法原理

2.1. fastText的模型结构

fastText是如何保证速度的呢?首先fastText的模型结构如下所示:
在这里插入图片描述

假设文本有 N N N个词,如上图所示,首先将这 N N N个词映射成词向量,可以通过矩阵 A A A实现,得到 N N N个词的向量后,将这些向量相加并取均值,得到该段文本的向量表示,最后输入到线形分类器中,得到最终的分类。从模型结构上来看,模型结构也是相当简单,只是是逻辑回归LR模型的基础上增加了句子向量的计算。对于分类问题,其损失函数为:

L = − ∑ i = 1 c y i l o g ( σ ( w x ) ) L=-\sum_{i=1}^{c}y_ilog\left ( \sigma \left ( wx \right ) \right ) L=i=1cyilog(σ(wx))

其中, c c c表示的是类别, σ \sigma σ为激活函数,通常采用sigmoid函数。

2.2. 层次softmax

为了简化问题,假设隐含层的为 x x x,那么对于 x x x,其属于第 i i i个类别的概率为:

P ( c i ∣ w 1 , w 2 , ⋯   , w i , ⋯   , w c , x ) = e x p ( w i x ) ∑ j = 1 c e x p ( w j x ) P\left ( c_i\mid w_1,w_2,\cdots ,w_i,\cdots ,w_c,x \right )=\frac{exp\left ( w_ix \right )}{\sum_{j=1}^{c}exp\left ( w_jx \right )} P(ciw1,w2,,wi,,wc,x)=j=1cexp(wjx)exp(wix)

如果类别较多时,上述公式的分母的计算会严重降低算法的速度,借鉴word2vec中的经验,使用层次softmax可以加速计算,带有层次softmax加速的fastText结构可以表示为:

在这里插入图片描述
如上图,最下面是一个Huffman树,每个叶子节点代表一个类别,这样可以对每一个叶子节点编号。同时,假设一个Huffman树有 V V V个叶子节点,那么该树有 V − 1 V-1 V1个非叶子节点,将上述的Huffman树抽象出来,如下图所示:

在这里插入图片描述

对于特征 x x x该如何计算类别,如上图中,对于每一个叶子节点,都有对应的编码,如叶子节点 c 1 c_1 c1的编码为:0000,叶子节点 c 7 c_7 c7的编码为:11。对于Huffman树的构建过程非本文的重点,不在本文中重复。在模型参数初始化过程中,需要同时初始化非叶子节点的向量表示,如图中的 a 1 , a 2 , ⋯   , a 6 a_1,a_2,\cdots ,a_6 a1,a2,,a6,假设对于特征 x x x,其所属的类别为 c 3 c_3 c3,因此找到 c 3 c_3 c3的编码和路径,我们发现需要经过的非叶子节点为: a 1 , a 2 , a 4 a_1,a_2,a_4 a1,a2,a4,其对应的编码为:001,因此计算过程为:

P ( c 3 ∣ a 1 , a 2 , ⋯   , a 6 , x ) = ( 1 − σ ( a 1 x ) ) ⋅ ( 1 − σ ( a 2 x ) ) ⋅ σ ( a 4 x ) P\left ( c_3\mid a_1,a_2,\cdots ,a_6,x \right )=\left ( 1-\sigma \left ( a_1x \right ) \right )\cdot \left ( 1-\sigma \left ( a_2x \right ) \right )\cdot \sigma \left ( a_4x \right ) P(c3a1,a2,,a6,x)=(1σ(a1x))(1σ(a2x))σ(a4x)

同样,每一个非叶子节点的向量也参与模型的训练。在预测过程中,直接可以计算出属于每一个叶子节点的概率。

参考文献

  • Armand Joulin, Edouard Grave, Piotr Bojanowski, and Tomas Mikolov. Bag of tricks for efficient text classification. arXiv preprint arXiv:1607.01759, 2016
  • fastText

更多内容请访问:www.felixzhao.cn

已标记关键词 清除标记
相关推荐
©️2020 CSDN 皮肤主题: 编程工作室 设计师:CSDN官方博客 返回首页