Fasttext Zh Vectors

🚀 fastText

fastTextは、オープンソースで無料の軽量ライブラリで、ユーザーがテキスト表現とテキスト分類器を学習することができます。標準的な汎用ハードウェアで動作し、後でモデルのサイズを縮小してモバイルデバイスにも搭載できます。このライブラリはこの論文で紹介され、公式サイトはこちらです。

✨ 主な機能

fastTextは、単語表現と文分類を効率的に学習するためのライブラリです。開発者、専門家、学生など誰でも簡単に使えるように設計されています。テキスト分類と単語表現の学習に特化しており、特殊なハードウェアを必要とせずに迅速なモデルの反復と改良が可能です。fastTextモデルは、任意のマルチコアCPUで数十億語以上のデータを数分以内に学習できます。

このライブラリには、Wikipediaや157以上の異なる言語で学習された事前学習モデルが含まれています。fastTextはコマンドラインとして使用したり、C++アプリケーションにリンクしたり、実験やプロトタイピングから本番運用までのユースケースでライブラリとして使用することができます。

🚀 クイックスタート

想定される用途と制限

事前学習済みの単語ベクトルをテキスト分類や言語識別に使用できます。公式サイトのチュートリアルとリソースを参照して、興味のあるタスクを探してください。

使い方

基本的な使用法

事前学習済みのベクトルを読み込んで使用する方法は次の通りです。

>>> import fasttext
>>> from huggingface_hub import hf_hub_download

>>> model_path = hf_hub_download(repo_id="facebook/fasttext-zh-vectors", filename="model.bin")
>>> model = fasttext.load_model(model_path)
>>> model.words

['the', 'of', 'and', 'to', 'in', 'a', 'that', 'is', ...]

>>> len(model.words)

145940

>>> model['bread']

array([ 4.89417791e-01,  1.60882145e-01, -2.25947708e-01, -2.94273376e-01,
       -1.04577184e-01,  1.17962055e-01,  1.34821936e-01, -2.41778508e-01, ...])

高度な使用法

英単語ベクトルの近傍をクエリする方法は次の通りです。

>>> import fasttext
>>> from huggingface_hub import hf_hub_download

>>> model_path = hf_hub_download(repo_id="facebook/fasttext-en-nearest-neighbors", filename="model.bin")
>>> model = fasttext.load_model(model_path)
>>> model.get_nearest_neighbors("bread", k=5)

[(0.5641006231307983, 'butter'), 
 (0.48875734210014343, 'loaf'), 
 (0.4491206705570221, 'eat'), 
 (0.42444291710853577, 'food'), 
 (0.4229326844215393, 'cheese')]

与えられたテキストの言語を検出する方法は次の通りです。

>>> import fasttext
>>> from huggingface_hub import hf_hub_download

>>> model_path = hf_hub_download(repo_id="facebook/fasttext-language-identification", filename="model.bin")
>>> model = fasttext.load_model(model_path)
>>> model.predict("Hello, world!")

(('__label__eng_Latn',), array([0.81148803]))

>>> model.predict("Hello, world!", k=5)

(('__label__eng_Latn', '__label__vie_Latn', '__label__nld_Latn', '__label__pol_Latn', '__label__deu_Latn'), 
 array([0.61224753, 0.21323682, 0.09696738, 0.01359863, 0.01319415]))

制限とバイアス

このモデルに使用されている学習データは比較的中立的であると言えるかもしれませんが、モデルの予測にはバイアスが含まれる可能性があります。

コサイン類似度を使用して、2つの異なる単語ベクトル間の類似度を測定することができます。2つのベクトルが同一であれば、コサイン類似度は1になります。完全に無関係な2つのベクトルの場合、値は0になります。2つのベクトルが反対の関係にある場合、値は-1になります。

>>> import numpy as np

>>> def cosine_similarity(word1, word2):
>>>     return np.dot(model[word1], model[word2]) / (np.linalg.norm(model[word1]) * np.linalg.norm(model[word2]))

>>> cosine_similarity("man", "boy")

0.061653383

>>> cosine_similarity("man", "ceo")

0.11989131

>>> cosine_similarity("woman", "ceo")

-0.08834904

🔧 技術詳細

学習データ

157言語の事前学習済み単語ベクトルは、fastTextを使用してCommon CrawlとWikipediaで学習されました。これらのモデルは、位置重み付きのCBOWを使用して、次元数300、文字n-gramの長さ5、ウィンドウサイズ5、ネガティブサンプリング数10で学習されました。また、フランス語、ヒンディー語、ポーランド語用の3つの新しい単語類推データセットも配布しています。

学習手順

トークン化

中国語にはStanford word segmenter、日本語にはMecab、ベトナム語にはUETsegmenterを使用しました。ラテン、キリル、ヘブライ、ギリシャ文字を使用する言語には、Europarlの前処理ツールのトークナイザーを使用しました。その他の言語には、ICUトークナイザーを使用しました。

これらのモデルの学習に関する詳細な情報は、論文Learning Word Vectors for 157 Languagesを参照してください。

評価データセット

論文で説明されている類推評価データセットは、次の場所で入手できます。

• フランス語
• ヒンディー語
• ポーランド語

BibTeXエントリと引用情報

単語表現の学習にこのコードを使用する場合は[1]を、テキスト分類に使用する場合は[2]を引用してください。

[1] P. Bojanowski*, E. Grave*, A. Joulin, T. Mikolov, Enriching Word Vectors with Subword Information

@article{bojanowski2016enriching,
  title={Enriching Word Vectors with Subword Information},
  author={Bojanowski, Piotr and Grave, Edouard and Joulin, Armand and Mikolov, Tomas},
  journal={arXiv preprint arXiv:1607.04606},
  year={2016}
}

[2] A. Joulin, E. Grave, P. Bojanowski, T. Mikolov, Bag of Tricks for Efficient Text Classification

@article{joulin2016bag,
  title={Bag of Tricks for Efficient Text Classification},
  author={Joulin, Armand and Grave, Edouard and Bojanowski, Piotr and Mikolov, Tomas},
  journal={arXiv preprint arXiv:1607.01759},
  year={2016}
}

[3] A. Joulin, E. Grave, P. Bojanowski, M. Douze, H. Jégou, T. Mikolov, FastText.zip: Compressing text classification models

@article{joulin2016fasttext,
  title={FastText.zip: Compressing text classification models},
  author={Joulin, Armand and Grave, Edouard and Bojanowski, Piotr and Douze, Matthijs and J{'e}gou, H{'e}rve and Mikolov, Tomas},
  journal={arXiv preprint arXiv:1612.03651},
  year={2016}
}

これらの単語ベクトルを使用する場合は、次の論文を引用してください。

[4] E. Grave*, P. Bojanowski*, P. Gupta, A. Joulin, T. Mikolov, Learning Word Vectors for 157 Languages

@inproceedings{grave2018learning,
  title={Learning Word Vectors for 157 Languages},
  author={Grave, Edouard and Bojanowski, Piotr and Gupta, Prakhar and Joulin, Armand and Mikolov, Tomas},
  booktitle={Proceedings of the International Conference on Language Resources and Evaluation (LREC 2018)},
  year={2018}
}

(* これらの著者は同等の貢献をしています。)

📄 ライセンス

単語ベクトルはCreative Commons Attribution-Share-Alike License 3.0の下で配布されています。