Task4 基于深度学习的文本分类1 - fastText
学习目标
- 学习FastText的使用和基础原理
- 学会使用验证集进行调参
文本表示方法 Part2
1. One-hot
2. Bag of Words / Count Vectors
3. N-gram
4. TF-IDF
问题：转换得到的向量维度很高，需要较长的训练实践；没有考虑单词与单词之间的关系，只是进行了统计。
深度学习也可以用于文本表示，还可以将其映射到一个低纬空间。其中比较典型的例子有：FastText、Word2Vec和Bert。
5. FastText
一种典型的深度学习词向量的表示方法，通过Embedding层将单词映射到稠密空间，然后将句子中所有的单词在Embedding空间中进行平均，进而完成分类操作。
-
FastText是一个三层的神经网络，输入层、隐含层和输出层。
image.png -
下图是使用keras实现的FastText网络结构：
image.png FastText在文本分类上优于TF-IDF：
FastText用单词的Embedding叠加获得的文档向量，将相似的句子分为一类
FastText学习到的Embedding空间维度比较低，可以快速进行训练
基于FastText的文本分类
import pandas as pd
from sklearn.metrics import f1_score
import fasttext
# 转换为FastText需要的格式
train_df = pd.read_csv('data/train_set.csv', sep='\t')
train_df['label_ft'] = '__label__' + train_df['label'].astype(str)
train_df[['text','label_ft']].iloc[:-5000].to_csv('data/train.csv', index=None, header=None, sep='\t')
model = fasttext.train_supervised('data/train.csv', lr=1.0, wordNgrams=2,
verbose=2, minCount=1, epoch=25, loss="hs")
val_pred = [model.predict(x)[0][0].split('__')[-1] for x in train_df.iloc[-5000:]['text']]
print(f1_score(train_df['label'].values[-5000:].astype(str), val_pred, average='macro'))
# 0.9095
image.png
使用验证集调参
-
如何选择参数？
通过阅读文档，要弄清楚这些参数的大致含义，那些参数会增加模型的复杂度；
通过在验证集上进行验证模型精度，找到模型在是否过拟合还是欠拟合
image.png - 重要参数
epoch- the number of epochs (standard range [5 - 50])
lr- the learning rate (standard range [0.1 - 1.0])
wordNgrams- word n-grams (standard range [1 - 5])
其他：train_supervised parameters
本章作业
- 阅读FastText的文档，尝试修改参数，得到更好的分数
- 基于验证集的结果调整超参数，使得模型性能更优
Automatic hyperparameter optimization: provide a validation file.
References:
