之前介绍了基于机器学习的文本分类与文本表示方法，请见：//www.greatytc.com/p/2f1cb73fefb5
其实还有其他的文本表示方法与配合深度学习来进行文本分类。
一、文本表示方法2
在上一章节，我们介绍几种文本表示方法：
One-hot，Bag of Words，N-gram，TF-IDF。但这些方法都或多或少存在一定的问题：转换得到的向量维度很高，需要较长的训练实践；没有考虑单词与单词之间的关系，只是进行了统计。
与这些表示方法不同，深度学习也可以用于文本表示，还可以将其映射到一个低纬空间。其中比较典型的例子有：FastText、Word2Vec和Bert。在本章我们将介绍FastText，将在后面的内容介绍Word2Vec和Bert。
· FastText
FastText是一种典型的深度学习词向量的表示方法，它非常简单通过Embedding层将单词映射到稠密空间，然后将句子中所有的单词在Embedding空间中进行平均，进而完成分类操作。
所以FastText是一个三层的神经网络，输入层、隐含层和输出层。
下图是使用keras实现的FastText网络结构：
FastText在文本分类任务上，是优于TF-IDF的：
FastText用单词的Embedding叠加获得的文档向量，将相似的句子分为一类
FastText学习到的Embedding空间维度比较低，可以快速进行训练
如果想深度学习，可以参考论文：
Bag of Tricks for Efficient Text Classification, https://arxiv.org/abs/1607.01759
二、基于FastText的文本分类
FastText可以快速的在CPU上进行训练，最好的实践方法就是官方开源的版本： https://github.com/facebookresearch/fastText/tree/master/python
