自然语言处理NLP系列：StarSpace: Embed All The Things
《StarSpace: Embed All The Things》论文提出了一种通用的神经嵌入系统StarSpace，可以解决多种问题的模型：标签任务（如文本分类）、排名任务（如信息检索/web搜索）、基于协作的过滤或基于内容的推荐，嵌入多关系图，学习单词、句子或文档水平嵌入。在每种情况下，该模型都通过嵌入由离散特征组成的实体并相互比较来工作——学习依赖于任务的相似性。一些任务的实证结果显示与现有方法相比，星际空间具有很强的竞争力。
好消息
基于Facebook的Star Space论文思想，继英语版本后，我们的核心产品星空智能对话机器人支持汉语版本啦！
成功测试通过，支持汉语版本啦！
StarSpace 论文
https://arxiv.org/pdf/1709.03856.pdf
StarSpace Github
https://github.com/facebookresearch/StarSpace
StarSpace是一种通用神经模型，用于有效学习实体嵌入，以解决各种问题：
-
学习单词、句子或文档级嵌入。
-
信息检索：对实体/文档或对象集进行排序，例如对web文档进行排序。
-
文本分类或任何其他标签任务。
-
度量/相似性学习，例如学习句子或文档相似性。
-
基于内容或基于协同过滤的推荐，例如推荐音乐或视频。
-
嵌入图，例如多关系图，如Freebase。
-
图像分类、排序或检索（例如，使用现有的ResNet特征）。
-
在一般情况下，它学习将不同类型的对象表示到一个公共向量嵌入空间中，从而在名称中使用星号（’*’，通配符）和空格，并在该空间中相互比较。它学习对给定查询实体/文档或对象的一组实体/文档或对象进行排序，查询实体/文档或对象的类型不一定与集合中的项目相同。
-
星际空间在Python中可用：有关详细信息，请查看Building StarSpace部分。
-
支持从压缩文件读取：有关更多详细信息，请查看压缩文件部分。
-
新的许可证和专利：现在星际空间在麻省理工学院的许可，签出许可证以获取详细信息。
-
使用小批量训练（通过“-batchSize”参数设置批量大小），星际空间训练速度要快得多。详情见#190。
-
增加了对实值输入和标签权重的支持：查看文件格式和ImageSpace部分，了解如何在输入和标签中使用权重的更多详细信息。