Familia 开源项目包含文档主题推断工具、语义匹配计算工具以及基于工业级语料训练的三种主题模型:LatentDirichletAllocation(LDA)、SentenceLDA和TopicalWordEmbedding(TWE)。支持用户以“拿来即用”的方式进行文本分类、文本聚类、个性化推荐等多种场景的调研和应用。考虑到主题模型训练成本较高以及开源主题模型资源有限的现状,我们会陆续开放基于工业级语料训练的多个垂直领域的主题模型,以及这些模型在工业界的典型应用方式,助力主题模型技术的科研和落地。
应用介绍Familia目前包含的主题模型的对应论文介绍可以参考相关论文。
主题模型在工业界的应用范式可以抽象为两大类:语义表示和语义匹配。
语义表示(SemanticRepresentation)
对文档进行主题降维,获得文档的语义表示,这些语义表示可以应用于文本分类、文本内容分析、CTR预估等下游应用。
语义匹配(SemanticMatching)
计算文本间的语义匹配度,我们提供两种文本类型的相似度计算方式:
短文本-长文本相似度计算,使用场景包括文档关键词抽取、计算搜索引擎查询和网页的相似度等等。
长文本-长文本相似度计算,使用场景包括计算两篇文档的相似度、计算用户画像和新闻的相似度等等。
更详细的内容及工业界应用案例可以参考FamiliaWiki
代码编译第三方依赖包括gflags-2.0,glogs-0.3.4,protobuf-2.5.0,同时要求编译器支持C++11, g++>=4.8,兼容Linux和Mac操作系统。默认情况下执行以下脚本会自动获取依赖并安装。
$ sh build.sh # 包含获取并安装第三方依赖的过程模型下载$ cd model$ sh download_model.sh
关于模型的详细配置说明可以参考模型说明
评论