fastText(三)：微博短文本下fastText的应用（二）

上一篇讲到，fastText在训练数据中过拟合的问题。接下来将介绍一些提高fastText泛化能力的尝试。

模型泛化
使用过fastText的人，往往会被它的很多特性征服，例如训练速度、兼具word embedding和分类等。但是正如一个硬币有正反两面，fastText也并非完美，fastText的泛化性是它的短板。

增加正则项
在Logistic Regression中，调节正则项能够提高模型的泛化性能。通过上一篇博客可知，fastText的代价函数是：

L(d,h)=−∑i=1CyilogPi=−∑i=1CyilogeθTih∑Cj=1eθTjh
L(d,h)=−∑i=1Cyilog⁡Pi=−∑i=1Cyilog⁡eθiTh∑j=1CeθjTh
增加正则项后，代价函数：

L(d,h)=−∑i=1CyilogPi+λ∑i=1V∥wi∥+μ∑j=1C∥θj∥
L(d,h)=−∑i=1Cyilog⁡Pi+λ∑i=1V‖wi‖+μ∑j=1C‖θj‖
此时词向量的更新方式变为：

wj=wj−η∑i=1C(Pi−yi)θi−λwj, j=1,2,...,L
wj=wj−η∑i=1C(Pi−yi)θi−λwj, j=1,2,...,L
增加了正则项后，同一个句子的词向量无法按照相同的方向更新，词向量间的相似便无法保证。此时，fastText与常见的前馈神经网络（DNN）没有任何差别，它的很多优秀的特质全部丧失了。个人猜测，这是Mikolov大神为什么没有在word2vec或者fastText中增加正则项的原因。

Dropout
Dropout是常见的增加神经网络泛化性能的trick，它按照一定的概率将神经网络单元暂时从网络中丢弃。fastText作为一种浅层神经网络，能够加入dropout的地方非常有限：

在唯一的隐层，增加dropout，即hidden=dropout(1n∑ni=1wi)hidden=dropout(1n∑i=1nwi)
在输入层增加dorpout，即hidden=1n∑ni=1dropout(wi)hidden=1n∑i=1ndropout(wi)。在输入层dropout中，有两种方法：
按照概率，随机干掉某个词
按照概率，随机干掉某个词的某个维度
在微博场景下，第二种方法的第一个子方法是最好的，即按照概率，随机干掉某个词。在引入dropout时，最开始通过等概率干掉某个词，即

dropout(wi)={wi  if p>t0 otherwise
dropout(wi)={wi  if p>t0 otherwise
经过试验发现效果不好，模型对于某些关键词的学习效果不佳，例如上面提到的皮肤问题。考虑到微博广告文本中有许多强特征（关键词），它们的存在干扰了模型的泛化能力，因此等概率dropout是不适用的，需要一种不等概率的dropout——category dropout，简记为cdropout。在cdropout中，某个词被干掉的概率与它在某个类别的出现频率相关：

cdropout(c,wi)={wi  if p>1−t(c,i)0  otherwise
cdropout(c,wi)={wi  if p>1−t(c,i)0  otherwise
其中cc表示训练样本的类别，t(c,i)t(c,i)表示词ii在类别cc中的阈值。设计t(c,i)t(c,i)时，需要考虑两个问题：

cdropout会干掉那些强特征，使模型能够从剩余的句子中，寻找有用的信息。
模型会把某些无用的词当作特征。
基于上述两个问题，t(c,i)t(c,i)的形式如下：

t(c,i)=max(0.5,log7n(c,i)10)
t(c,i)=max(0.5,log7n(c,i)10)
其中n(c,i)n(c,i)表示词ii在类别cc中出现的概率。t(c,i)t(c,i)既保证强特征不会被完全干掉，也使模型能够从剩余的句子中寻找有用的信息。使用上述方法后，fastText对于关键词的预测效果如下所示：

关键词 类别
祛痘 label祛痘 1.00001 label邮政业务 1e-05 label买点卡 1e-05
痘痘 label祛痘 1.00001 label邮政业务 1e-05 label买点卡 1e-05
黑头 label祛痘 1.00001 label邮政业务 1e-05 label买点卡 1e-05
长痘 label祛痘 1.00001 label邮政业务 1e-05 label买点卡 1e-05
痤疮 label祛痘 1.00001 label邮政业务 1e-05 label买点卡 1e-05
痘坑 label祛痘 1.00001 label邮政业务 1e-05 label买点卡 1e-05
皮肤问题 label美甲美瞳 1.00001 label祛痘 1.05769e-05 label美发护发 1.00299e-05
关键词 类别
婚纱照 label美甲美瞳 1.00001 label祛痘 1.05769e-05 label美发护发 1.00299e-05
婚纱照 label旅行跟拍 0.549722 label婚纱摄影 0.450298 label邮政业务 1e-05
相册 label婚纱摄影 1.00001 label邮政业务 1e-05 label买点卡 1e-05
拍一套 label旅行跟拍 1.00001 label邮政业务 1e-05 label买点卡 1e-05
婚照 label婚纱摄影 1.00001 label邮政业务 1e-05 label买点卡 1e-05
样片 label婚纱摄影 1.00001 label祛痘 1.00004e-05 label美甲美瞳 1.00003e-05
金夫人 label婚纱摄影 1.00001 label减肥瘦身 1.00005e-05 label美发护发 1.00002e-05
客片 label婚纱摄影 1.00001 label旅行跟拍 1.00002e-05 label国内游 1e-05
显然，加入cdropout后，类别准确度有了长足的进步。与此同时，cdropout也兼顾了词的余弦相似度

祛痘
黑头 0.962714
粉刺 0.941785
痤疮 0.941042
毛孔 0.939662
痘坑 0.937129
长痘 0.934889
青春痘 0.915363
痘 0.910426
痘痘 0.910171
祛 0.909382
1
2
3
4
5
6
7
8
9
10
11
婚纱照
摄 0.921392
婚照 0.905441
海景 0.848199
造 0.832112
全送 0.831038
婚纱 0.826123
夜景 0.818146
放大 0.81653
视觉 0.807251
这座 0.804767
1
2
3
4
5
6
7
8
9
10
11
可见cdropout，不仅提高了模型的泛化性能，而且保证了fastText的很多优秀特质。

总结
通过cdropout，fastText的泛化性能得到了长足的进步，但是对于实际场景，尤其是微博短文本场景，依然是不够。在实际应用中，我们做了很多模型以外的工作，例如规则、爬虫等等。希望这三篇博客，能够对你有所帮助！吃饭去喽～

---------------------
作者：cptu
来源：CSDN
原文：https://blog.csdn.net/ackclinkz/article/details/81907903
版权声明：本文为博主原创文章，转载请附上博文链接！