3.2 FastText 模型

学习目标

• 利用FastText模型实现投满分项目的模型构建.

• 对FastText模型进行评估、优化

• 对FastText进行模型部署与上线测试

Tips：

前面我们已经完成了基线模型RandomForest一个实现，但是当前场景着对分类指标、泛化能力和处理复杂语义需求相对较高的，所以我们需要引入更为先进自然语言处理技术，包括FastText、BERT以及大语言模型LLMs，核心是这些模型在学术以及工业都有不错的性能表现，所以这里我们会进行整体技术实现以及评估，来最终获得符合当前场景需求的具体技术解决方案。

(一) 代码结构图

代码位置：

基于FastText分类建模思路：

① 对数据train.txt等相关文件的文本列进行 分词处理，两种处理思路字符级别以及词级别。

② 利用FastText库进行建模、评估与保存。

• 02-fasttext_char_1_default.py

• 02-fasttext_char_2_auto.py

• 02-fasttext_word_1_default.py

• 02-fasttext_word_2_auto.py

③ 模型预测

④ 模型部署，提供api接口

⑤ 前端预测实现

(二) 代码实现

2.1 config配置文件

代码位置：TMFCode\02-rf\config.py

import os
class Config(object):
    def __init__(self):
        #原始数据路径
        self.train_datapath="../01-data/train.txt"
        self.test_datapath = "../01-data/test.txt"
        self.dev_datapath = "../01-data/dev.txt"

        #模型路径
        self.ft_model_save_path="./save_models"

        #样本类别文件
        self.class_datapath="../01-data/class.txt"

        #处理完的数据（用于训练）
        self.final_data="./final_data"

if __name__ == '__main__':
    conf=Config()
    print(conf.ft_model_save_path)
    print(conf.train_datapath)

2.2 data_preprocess数据处理

代码位置：

03-fasttext\01-data_preprocess.py

fastText数据处理背景：

FastText 是一个开源、免费、轻量级的库，允许用户学习文本表示和文本分类器。它适用于标准的通用硬件。模型稍后可以缩小，甚至适合移动设备。

FastText最初训练语料是英文，英文天然支持每个单词之间是有空格的，所以中文相较英文语料的文本分类任务或者词嵌入都会多一步分词。最终的训练数据需要构建成如下格式，构建思路来自官方的数据样例（https://dl.fbaipublicfiles.com/fasttext/data/cooking.stackexchange.tar.gz）：

单字符级别分字处理

原始样本：三羊资产清盘事起ITAT 0 处理后样本：__label__finance 三 羊 资 产 清 盘 事 起 I T A T

词级别分词处理

原始样本：三羊资产清盘事起ITAT 0 处理后样本：__label__finance 三羊 资产 清盘 事起 ITAT

训练样本示例(验证、测试样本同训练样本一样)：

导入工具包及初始化配置：

import jieba
from config import *
conf=Config()

(1) 加载原始文件数据路径

在实际构建训练数据，可以看到我们的label需要将类别数字映射为分类类别，所以需要加载文件路径：

• train.txt | test.txt |dev.txt | class.txt

# 步骤 1：检查文件存在性
class_file = conf.class_datapath
data_file = conf.train_datapath
# data_file = conf.dev_datapath
# data_file = conf.test_datapath

if not os.path.exists(class_file) or not os.path.exists(data_file):
    print("类别文件及原始数据路径：", class_file, data_file)
    print("文件不存在，请检查文件是否存在！")

(2) 设置预处理后文件保存路径

# 步骤 2：设置预处理后文件保存路径
#是否使用字符分词
use_char_segmentation = True
if use_char_segmentation==True:
    #文件写入路径
    if "train" in data_file:
        output_file = conf.final_data+'/train_fastText_char.txt'
    elif "test" in data_file:
        output_file = conf.final_data+'/test_fastText_char.txt'
    else:
        output_file = conf.final_data+'/dev_fastText_char.txt'
else:
    if "train" in data_file:
        output_file = conf.final_data+'/train_fastText_jieba.txt'
    elif "test" in data_file:
        output_file = conf.final_data+'/test_fastText_jieba.txt'
    else:
        output_file = conf.final_data+'/dev_fastText_jieba.txt'

(3) ID 到类别名的映射

• 读取类别class.txt，生成ID到类别名的映射字典

• 映射字典:

{0: 'finance', 1: 'realty', 2: 'stocks', 3: 'education', 4: 'science', 5: 'society', 6: 'politics', 7: 'sports', 8: 'game', 9: 'entertainment'}

id2name = {}
print("类别文件:", class_file)

with open(class_file, 'r', encoding='utf-8') as f:
    for idx, line in enumerate(f):
        id2name[idx] = line.strip()  # 去除换行符，映射索引到类别名

print("类别映射:", id2name)

(4) FastText训练数据构造

datas = []
with open(data_file, 'r', encoding='utf-8') as f:
    for line in f:
        line = line.strip()  # 去除换行符和空白
        if not line:
            continue  # 跳过空行

        text, label = line.split('\t')  # 以制表符分割
        label_name = f"__label__{id2name[int(label)]}"  # 转换标签，如 __label__education
        text = text.replace('：', '')  # 部分文本含有冒号，这里移除冒号
        # use_char_segmentation为 True，则是字符级分词；为False，则是jieba 词级分词
        words = list(text) if use_char_segmentation else jieba.cut(text)  # 字符分词或词级分词
        text_processed = ' '.join(word for word in words if word.strip())  # 拼接分词结果

        fasttext_line = f"{label_name} {text_processed}"
        datas.append(fasttext_line)  # 添加到列表

(5) 预处理后数据保存

with open(output_file, 'w', encoding='utf-8') as f:
    for line in datas:
        f.write(line + '\n')  # 写入每行
print("前 5 行:", datas[:5])
print(f"数据已保存到 {output_file}")

运行日志：

C:\python.exe C:\TMFCode\03-fasttext\01-data_preprocess.py 
类别文件: C:\TMFCode\01-data\class.txt
类别映射: {0: 'finance', 1: 'realty', 2: 'stocks', 3: 'education', 4: 'science', 5: 'society', 6: 'politics', 7: 'sports', 8: 'game', 9: 'entertainment'}
前 5 行: ['__label__education 中 华 女 子 学 院 本 科 层 次 仅 1 专 业 招 男 生', '__label__science 两 天 价 网 站 背 后 重 重 迷 雾 做 个 网 站 究 竟 要 多 少 钱', '__label__realty 东 5 环 海 棠 公 社 2 3 0 - 2 9 0 平 2 居 准 现 房 9 8 折 优 惠', '__label__sports 卡 佩 罗 告 诉 你 德 国 脚 生 猛 的 原 因 不 希 望 英 德 战 踢 点 球', '__label__society 8 2 岁 老 太 为 学 生 做 饭 扫 地 4 4 年 获 授 港 大 荣 誉 院 士']
数据已保存到 C:\TMFCode\03-fasttext\final_data/train_fastText_char.txt

Process finished with exit code 0

2.3 FastText字符级别建模

(1) 默认参数训练

代码位置：

TMFCode\03-fasttext\02-fasttext_char_1_default.py

字符级别建模（默认参数进行训练）

FastText模型构建之后，选择的配置参数非常多，当前的fasttext_char_1_default.py我们只设置训练数据路径，所有的其他参数的值都采用默认。

# 导入工具包
import fasttext  # pip install fasttext-wheel
from config import Config
import datetime

# 获取时间
current_time = datetime.datetime.now().date().today().strftime("%Y%m%d")
conf = Config()

# 1、模型训练
model = fasttext.train_supervised(input='final_data/train_fastText_char.txt')
# 2、模型保存
path = conf.ft_model_save_path
model.save_model(path + f"\\fastText_char_default_{str(current_time)}.bin")

# 3、模型预测
print(model.predict("《 赤 壁 O L 》 攻 城 战 诸 侯 战 硝 烟 又 起"))

# 4、模型词表查看
print(f"*查看模型词表[:10]：{model.words[:10]}")
## 单词向量表示
# print(f"单词的向量：{model.get_word_vector(model.words[:9][1])}")
# print(f"单词的向量：{model.get_word_vector('中')}")
## 预测最接近的单词
print(f"*预测最接近的单词:{model.get_nearest_neighbors('中')}")

# 5、查看模型子词，上述训练未开启子词，所以这里查到还是词本身
print(f"*模型字词：{model.get_subwords('你')}")

# 6、模型测试评估
res = model.test('./final_data/test_fastText_char.txt')
# 参考官方说明：https://fasttext.cc/docs/en/supervised-tutorial.html
# (10000, 0.8761, 0.8761) 样本量 精确率 召回率
print(res)

输出日志：

C:\python.exe C:\TMFCode\03-fasttext\02-fasttext_char_1_default.py 
Read 3M words
Number of words:  4758
Number of labels: 10
Progress: 100.0% words/sec/thread: 1091510 lr:  0.000000 avg.loss:  0.488831 ETA:   0h 0m 0s
(('__label__game',), array([0.99980789]))
*查看模型词表[:10]：['</s>', '0', '1', '2', '大', '国', '图', '(', ')', '3']
*预测最接近的单词:[(0.8841610550880432, '二'), (0.8817741870880127, '跻'), (0.880586564540863, '宁'), (0.861633837223053, '东'), (0.8588536381721497, '缺'), (0.8508040904998779, '降'), (0.8485209941864014, '9'), (0.8371592164039612, '肘'), (0.8367257714271545, '佛'), (0.8290629982948303, '津')]
*模型字词：(['你'], array([588]))
(10000, 0.8761, 0.8761)

Process finished with exit code 0

结论: 采用字符为单位的模型效果精准率和召回率都达到了87.61%, 相比于前面的随机森林实验的82.47%提升了大概5个多百分点。

(2) auto自动调参优化

代码位置：

TMFCode\03-fasttext\02-fasttext_char_2_auto.py

字符级别建模（采用auto自动调参进行训练）

FastText模型构建之后，选择的配置参数非常多，当前的fasttext_char_1_auto.py我们设置训练数据路径，并启用auto方式进行自动调参，注意自动调参需要增加验证集的设置。

以下是相关参数说明：

开启auto模式的模型训练：
# autotuneValidationFile参数需要指定验证数据集所在的路径它将在验证集是使用随机搜索的方法寻找最优的超参数
# 使用autotuneDuration参数可以控制随机搜索的时间，单次搜索 默认是300，单位秒.根据不同的需求, 可以延长或者缩短时间.
# 自动调节的超参数包含这些内容:
    lr                         学习率 default 0.1
    dim                        词向量维度 default 100
    ws                         上下文窗口大小 default 5， cbow
    epoch                      epochs 数量 default 5
    minCount                   最低词频 default 5
    wordNgrams                 n-gram设置 default 1
    loss                       损失函数 {hs,softmax} default softmax
    minn                       最小字符长度 default 0
    maxn                       最大字符长度 default 0
    dsub                       dsub ，全称为 "dimension subsampling"，用于控制输入向量的子采样率，以减少模                                                      型的计算复杂度和内存占用。它通过降低词嵌入（输入向量）的维度来加速训练和压缩模型。
# 如何观察超参数调整过程，verbose: 该参数决定日志打印级别, 当设置为3, 可以将当前正在尝试的超参数打印出来。

# 导入工具包
import fasttext
from config import Config
import datetime
import random
import numpy as np
import os

# 获取当前日期
current_time = datetime.datetime.now().date().today().strftime("%Y%m%d")

# 1. 导入配置文件
conf = Config()

# 2. 模型训练
model = fasttext.train_supervised(
    input='./final_data/train_fastText_char.txt',
    autotuneValidationFile='./final_data/dev_fastText_char.txt',
    autotuneDuration=60,  # 搜索的时间  默认300s
    thread=1,  # 单线程，确保可复现性
    verbose=3  # 输出调参过程
)

# 3. 模型保存
path = conf.ft_model_save_path
model_save_path = path + f"\\fastText_char_auto_{str(current_time)}.bin"
model.save_model(model_save_path)
print(f"模型已保存至: {model_save_path}")

# 4. 模型预测
sentence = "俄 达 吉 斯 坦 共 和 国 一 名 区 长 被 枪 杀"
pred_label, pred_prob = model.predict(sentence)
print(f"预测结果: 标签={pred_label[0]}, 概率={pred_prob[0]:.4f}")

# 5. 查看模型子词
word = "好"
subwords, subword_ids = model.get_subwords(word)
print(f"*词'{word}'的子词:{subwords}")
print(f"*子词ID:{subword_ids}")

# 获取词向量维度
print(f'*词向量维度:{model.get_dimension()}')

# 6. 模型测试评估
res = model.test('./final_data/test_fastText_char.txt')
# 参考官方说明：https://fasttext.cc/docs/en/supervised-tutorial.html
print(f"测试结果: 样本数={res[0]}, 精确率={res[1]:.4f}, 召回率={res[2]:.4f}")

输出日志：（日志中是score是值精确率）

Trial = 1
epoch = 5
lr = 0.1
dim = 100
minCount = 1
wordNgrams = 1
minn = 0
maxn = 0
bucket = 0
dsub = 2
loss = softmax
Progress:   5.1% Trials:    1 Best score:   unknown ETA:   0h 0m56scurrentScore = 0.876712
...........
Best selected args = 0
epoch = 1
lr = 1.80525
dim = 641
minCount = 1
wordNgrams = 4
minn = 0
maxn = 0
bucket = 2620593
dsub = 2
loss = softmax
Training again with best arguments
Read 3M words
Number of words:  4758
Number of labels: 10
Progress: 100.0% words/sec/thread:  366609 lr:  0.000000 avg.loss:  0.446916 ETA:   0h 0m 0s
模型已保存至: ./save_models\fastText_char_auto_20250630.bin
预测结果: 标签=__label__politics, 概率=0.9996
*词'好'的子词:['好']
*子词ID:[274]
*词向量维度:641
测试结果: 样本数=10000, 精确率=0.9165, 召回率=0.9165

结论: 采用字符为单位的模型效果精准率和召回率都达到了91.65%, 相比于前面的随机森林实验82.47%，指标提升了大概9个多百分点。

2.4 FastText词级别建模(default)

(1) 默认参数训练

代码位置：

TMFCode\03-fasttext\02-fasttext_word_1_default.py

字符级别建模（默认参数进行训练）

FastText模型构建之后，选择的配置参数非常多，当前的fasttext_word_1_default.py我们只设置训练数据路径，所有的其他参数的值都采用默认。

# 导入工具包
import fasttext
from config import Config
import datetime


#获取时间
current_time=datetime.datetime.now().date().today().strftime("%Y%m%d")
#1、导入配置文件
conf=Config()

# 2、模型训练
model = fasttext.train_supervised(
    #无监督情况下 wordNgrams等同于word2vec
    input = './final_data/train_fastText_jieba.txt',
)

#3、模型保存
path=conf.ft_model_save_path
model.save_model(path+f"\\fastText_jieba_default_{str(current_time)}.bin")

#4、模型预测
print(model.predict("名师 详解 考研 复试 英语听力 备考 策略"))

# 4、模型词表查看
# print(model.words)
# print(len(model.words))

# 6、查看模型子词，上述训练未开启子词，所以这里查到还是词本身
print(model.get_subwords('你好'))

# 7、模型测试
print("模型测试验证评估开始...")
res =model.test('./final_data/test_fastText_jieba.txt')
print(res)

输出日志：

C:\python.exe C:\TMFCode\03-fasttext\02-fasttext_word_1_default.py 
Read 2M words
Number of words:  118853
Number of labels: 10
Progress: 100.0% words/sec/thread:  778955 lr:  0.000000 avg.loss:  0.327306 ETA:   0h 0m 0s
(('__label__education',), array([1.00001001]))
(['你好'], array([18799]))
模型测试验证评估开始...
(10000, 0.9079, 0.9079)

Process finished with exit code 0

结论: 采用单词为单位的默认参数建模的模型效果精准率和召回率都达到了90.97%, 相比于前面的字符级默认参数实验提升3个多百分点、及随机森林提升了大概8个多百分点。但是，相较字符级别的自动调参，下降了0.68个百分点，放弃该方案。

(2) auto自动调参优化

代码位置：

TMFCode\03-fasttext\02-fasttext_word_2_auto.py

字符级别建模（采用auto自动调参进行训练）

FastText模型构建之后，选择的配置参数非常多，当前的fasttext_word_2_auto.py我们设置训练数据路径，并启用auto方式进行自动调参，注意自动调参需要增加验证集的设置。

# 导入工具包
import fasttext
from config import Config
import datetime

# 获取当前日期
current_time = datetime.datetime.now().date().today().strftime("%Y%m%d")

# 1. 导入配置文件
conf = Config()

# 2. 模型训练
model = fasttext.train_supervised(
    input='./final_data/train_fastText_word.txt',
    autotuneValidationFile='./final_data/dev_fastText_word.txt',
    autotuneDuration=60,
    # autotuneModelSize='2M',  # 目标模型大小 2MB（触发量化）
    thread=1,  # 单线程，确保可复现性
    verbose=3  # 输出调参过程
)

# 3. 模型保存
path = conf.ft_model_save_path
model_save_path = path + f"\\fastText_word_auto_{str(current_time)}.bin"
model.save_model(model_save_path)
print(f"模型已保存至: {model_save_path}")

# 4. 模型预测
sentence = "俄 达吉斯坦 共和国 一名 区长 被 枪杀"
pred_label, pred_prob = model.predict(sentence)
print(f"预测结果: 标签={pred_label[0]}, 概率={pred_prob[0]:.4f}")

# 5. 查看模型子词
word = "你好"
subwords, subword_ids = model.get_subwords(word)
print(f"*词'{word}'的子词: {subwords}")
print(f"*子词ID: {subword_ids}")

# 获取词向量维度
print(f"*词向量维度：{model.get_dimension()}")

# 6. 模型测试
res = model.test('./final_data/test_fastText_word.txt')
print(f"测试结果: 样本数={res[0]}, 精确率={res[1]:.4f}, 召回率={res[2]:.4f}")

输出日志：

C:\python.exe C:\TMFCode\03-fasttext\02-fasttext_word_2_auto.py 
Trial = 1
epoch = 5
lr = 0.1
dim = 100
minCount = 1
wordNgrams = 1
minn = 0
maxn = 0
bucket = 0
dsub = 2
loss = softmax
Progress:   5.9% Trials:    1 Best score:   unknown ETA:   0h 0m56scurrentScore = 0.8979
...........
Training again with best arguments
Best selected args = 0
epoch = 5
lr = 0.1
dim = 100
minCount = 1
wordNgrams = 1
minn = 0
maxn = 0
bucket = 0
dsub = 2
loss = softmax
Read 2M words
Number of words:  118853
Number of labels: 10
Progress: 100.0% words/sec/thread: 3068874 lr:  0.000000 avg.loss:  0.247995 ETA:   0h 0m 0s
模型已保存至: ./save_models\fastText_word_auto_20250630.bin
预测结果: 标签=__label__politics, 概率=0.9995
*词'你好'的子词: ['你好']
*子词ID: [18799]
*词向量维度：100
测试结果: 样本数=10000, 精确率=0.9041, 召回率=0.9041

结论: 采用词为单位的自动调参的模型效果精准率和召回率都达到了90.41%, 相较前面最好的字符级自动调参的模型91.65%，指标下降了1.25个百分点，放弃该方案。

2.5 模型预测

这里我们先实现离线预测，完成predict函数

# 模型预测
import fasttext
import jieba
import warnings
warnings.filterwarnings('ignore')
#1、加载模型
model = fasttext.load_model('save_models/fastText_char_default_20250630.bin')
#2、定义预测函数
def predict(data):
    #获取text进行进行字符级别分词
    words=" ".join(list(data["text"]))
    #模型预测
    res=model.predict(words)
    #截取 预测返回值
    pred_label=res[0][0][9:]
    #封装结果并返回
    data["pred_class"]=pred_label
    return data

data = {"text": "中华女子学院：本科层次仅1专业招男生"}
print(predict(data))

2.6 模型部署(Flask)

(1) 服务端

本次对FastText这个基于词级别的自动调参模型，进行部署，核心是强化大家理解整个建模到对外提供服务的整个流程。

• 第一步: 编写主服务逻辑代码.
• 第二步: 启动Flask服务. （http://127.0.0.1:8003）

代码位置：

TMFCode\03-fasttext\api.py

# 模型预测
import fasttext
import jieba
from predict_fun import predict
from flask import Flask, request,jsonify

app = Flask(__name__)

@app.route('/predict', methods=['POST'])
def main_server():
    # 获取请求数据
    data = request.get_json()
    #预测
    print("-------------预测结果------------")
    result=predict(data)
    print(result)

    return jsonify(result)

if __name__ == '__main__':
    app.run(host='0.0.0.0',port=8003)

输出日志：

C:\python.exe C:\TMFCode\03-fasttext\api.py 
Warning : `load_model` does not return WordVectorModel or SupervisedModel any more, but a `FastText` object which is very similar.
 * Serving Flask app 'api'
 * Debug mode: off
WARNING: This is a development server. Do not use it in a production deployment. Use a production WSGI server instead.
 * Running on all addresses (0.0.0.0)
 * Running on http://127.0.0.1:8003
 * Running on http://26.26.26.1:8003
Press CTRL+C to quit
Building prefix dict from the default dictionary ...
Dumping model to file cache C:\Users\AppData\Local\Temp\jieba.cache
Loading model cost 0.329 seconds.

(2) 客户端

代码位置：

TMFCode\03-fasttext\api_test.py

import requests
import time

# 定义预测接口地址
url = 'http://127.0.0.1:8003/predict'

# 构造请求数据
data = {'text': "中国人民公安大学2012年硕士研究生目录及书目"}

# 记录开始时间
start_time = time.time()
# 发送 POST 请求
try:
    response = requests.post(url, json=data)
    # 计算耗时（毫秒）
    elapsed_time = (time.time() - start_time) * 1000
    print(f"请求耗时: {elapsed_time:.2f} ms")

    # 检查响应状态
    if response.status_code == 200:
        result = response.json()
        print(f"预测结果: {result['pred_class']}")
    else:
        print(f"请求失败: {response.status_code}, {response.json()['error']}")
except Exception as e:
    print(f"请求出错: {str(e)}")

输出日志：

C:\python.exe C:\TMFCode\03-fasttext\api_test.py 
输入文本: 公共英语(PETS)写作中常见的逻辑词汇汇总
分类结果: education
单条样本预测的耗时: 4.9 ms

(三) 本节小结

• 本小节主要完成了FastText模型训练以及优化，其中包括数据处理、模型训练、模型评估以及模型部署及调用等。
• 目前模型指标对比