针对词向量文本分类模型记忆能力弱, 缺少全局词特征信息等问题, 提出基于宽度和词向量特征的文本分类模型(WideText): 首先对文本进行清洗、分词、词元编码和定义词典等, 计算全局词元的词频-逆文档频度(TF-IDF)指标并将每条文本向量化, 将输入文本中的词通过编码映射到词嵌入矩阵中, 词向量特征经嵌入和平均叠加后, 和基于TF-IDF的文本向量特征进行拼接, 传入到输出层后计算属于每个分类的概率. 该模型在低维词向量的基础上结合了文本向量特征的表达能力, 具有良好的泛化和记忆能力. 实验结果表明, 在引入宽度特征后, WideText分类性能不仅较词向量文本分类模型有明显提升, 且略优于前馈神经网络分类器.

使用fasttext工具实现word2vec的数据集enwik9

著名的fasttext词向量，上Billion个词，每个词N维，可用于深度模型初始化，BERT之后仍有其价值

TextClassification-Keras 这个代码库实现了一个各种深学习模型使用Keras框架，其中包括文本分类：FastText，TextCNN，TextRNN，TextBiRNN，TextAttBiRNN，韩，RCNN，RCNNVariant等除了模型实现，简化应用程序包括在内。 指导 环境 Python 3.7 NumPy 1.17.2 Tensorflow 2.0.1 用法 所有代码都位于目录/model ，每种模型都有对应的目录，其中放置了模型和应用程序。 例如，FastText的模型和应用程序位于/model/FastText ，模型部分为fast_text.py ，应用程序部分为main.py 模型 1个FastText FastText是在“提出的。 1.1论文描述 使用查找表，将ngram包转换为单词表示形式。 将单词表示形式平均为一个文本表示形式，它是一个隐藏变量。 文本表示又被馈送到线性分类器。 使用softmax函数可计算预定义类上的概率分布。 1.2在这里实现 FastText的网络结构： 2个TextCNN 在提出了TextCNN

mynlp：一个生产级，高性能，预定，可扩展的中文NLP工具包。（中文分词，平均感知机，fastText，拼音，新词发现，分词纠错，BM25，人名识别，命名实体，自定义词典）

fasttext图书分类

fasttext训练集，用户fasttext文本分类训练集。。。。

该代码文件包括以下几个部分： （1）nlp_utils.py 数据功能处理函数 （2）fast_text_train.py 训练代码 （3）fast_text_predict.py 利用meta模型预测代码 （4）frozen_graph.py 模型固化及预测代码 （5）saves 训练得到的模型文件 （6）word2id_dict.txt、label2id_dict.txt 训练时得到的字典文件

1) fastText 2) TextCNN 3) TextRNN 4) RCNN 5) Hierarchical Attention Network 6) seq2seq with attention 7) Transformer("Attend Is All You Need") 8) Dynamic Memory Network 9) EntityNetwork:tracking state of the world 10) Ensemble models 11) Boosting: 包含这些模型的分类算法

fastText4j：使用Java实现Facebook的FastText