文本分类Bag of Tricks for Efficient Text Classification
Posted 征途黯然.
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了文本分类Bag of Tricks for Efficient Text Classification相关的知识,希望对你有一定的参考价值。
·阅读摘要:
本文主要提出fastText模型。
·参考文献:
[1] Bag of Tricks for Efficient Text Classification
[0] 摘要
文章提出fastText模型,效果接近深度学习基线模型,但是速度非常快。
[1] 介绍
深度学习模型在实践中取得了非常好的性能,但它们在训练和测试时往往相对较慢,从而限制了它们在非常大的数据集上的使用。
线性分类器通常被认为是文本分类问题的强基线。如果使用得当,它们通常会有最先进的性能,从而应用到大语料库。
论文提出的fastText模型表明,线性模型与秩约束和快速损失近似可以在十分钟内训练十亿字,同时实现高性能的表现。
[2] 模型结构
这里从代码的角度上来讲解会更清楚。
如上图, x 1 , x 2 , . . . . . . , x N x_1,x_2,......,x_N x1,x2,......,xN是fastText模型的输入,输入是一元语法、二元语法、三元语法的嵌入向量,然后拼接,再取平均,变成hidden层的数据,即文档向量。最后经过fc来分类。
pytorch版本的fastText代码如下:
class Model(nn.Module):
def __init__(self, config):
super(Model, self).__init__()
if config.embedding_pretrained is not None:
self.embedding = nn.Embedding.from_pretrained(config.embedding_pretrained, freeze=False)
else:
self.embedding = nn.Embedding(config.n_vocab, config.embed, padding_idx=config.n_vocab - 1)
self.embedding_ngram2 = nn.Embedding(config.n_gram_vocab, config.embed)
self.embedding_ngram3 = nn.Embedding(config.n_gram_vocab, config.embed)
self.dropout = nn.Dropout(config.dropout)
self.fc1 = nn.Linear(config.embed * 3, config.hidden_size)
# self.dropout2 = nn.Dropout(config.dropout)
self.fc2 = nn.Linear(config.hidden_size, config.num_classes)
def forward(self, x):
out_word = self.embedding(x[0])
out_bigram = self.embedding_ngram2(x[2])
out_trigram = self.embedding_ngram3(x[3])
out = torch.cat((out_word, out_bigram, out_trigram), -1)
out = out.mean(dim=1)
out = self.dropout(out)
out = self.fc1(out)
out = F.relu(out)
out = self.fc2(out)
return out
可以看到,一元语法的embedding可以从预训练词向量获取,二元语法、三元语法就只能模型自己来训练了。
但随着语料库的增加,由于二元语法、三元语法的存在,内存需求也会不断增加,严重影响模型构建速度,针对这些问题我们使用以下几种解决方案:
1、使用hash来存储二元语法、三元语法
2、由采用字粒度变化为采用词粒度
构建数据集时,我们把二元语法、三元语法通过Hash整合到一起,变成一个索引值,操作如下:
def biGramHash(sequence, t, buckets):
t1 = sequence[t - 1] if t - 1 >= 0 else 0
return (t1 * 14918087) % buckets
def triGramHash(sequence, t, buckets):
t1 = sequence[t - 1] if t - 1 >= 0 else 0
t2 = sequence[t - 2] if t - 2 >= 0 else 0
return (t2 * 14918087 * 18408749 + t1 * 14918087) % buckets
以上是关于文本分类Bag of Tricks for Efficient Text Classification的主要内容,如果未能解决你的问题,请参考以下文章
论文阅读:《Bag of Tricks for Efficient Text Classification》
Bag of Tricks for Image Classification with Convolutional Neural Networks
训练技巧详解含有部分代码Bag of Tricks for Image Classification with Convolutional Neural Networks
目标检测tricks:Bag of Freebies for Training Object Detection Neural Networks
Bag of Tricks for Image Classi?cation with Convolutional Neural Networks
R语言构建文本分类模型:文本数据预处理构建词袋模型(bag of words)构建xgboost文本分类模型基于自定义函数构建xgboost文本分类模型