在Qt中调用C语言版fastText，无缝衔接至GUI应用.zip

Qt-fastText === 将fastText源码嵌入到Qt工程中，在运行的时候直接调用（原本是通过命令行调用） 例如循环输入，改为读取文件，即增加一个命令行参数为文件路径 > 命令参考：https://github.com/facebookresearch/fastText --- ### 解决控制台UTF-8乱码 ``` chcp 65001 ``` > 注意：如果是Windows且包含**中文路径**（应用、模型等），务必将各处 `toStdString()` 改为 `toLocal8Bit().data()` --- ## 单词表示学习 ``` fasttext skipgram -input data.txt -output model ``` 参考[这里](https://github.com/facebookresearch/fastText#enriching-word-vectors-with-subword-information)，`data.txt`使用`UTF-8`编码，最终生成`model.bin`和`model.vec`文件 ## 获取词向量 上面的模型可用于计算词汇外单词的词向量： ``` fasttext print-word-vectors model.bin < queries.txt ``` > 控制台中，`> queries.txt` 可不写，则可以在控制台输入多组数据 > > 本程序可视化界面的命令行中（因为只能传文件），**不用写`>`，下同** ## 文本分类 ### 监督 ``` fasttext supervised -input train.txt -output model ``` `train.txt` 包含了要训练的大量句子，一行一个label与一条句子（中文要先分词），其中label以`__label__`开头。会输出`model.bin`和`model.vec`文件。 ### 测试 训练完模型后，使用以下包含 `k`(P@k和R@k)的命令行 来评估它的精度和召回率。`k`是可选的，表示标签数量，默认为1。 ``` fasttext test model.bin test.txt 1 ``` ### 预测 获取`k`个最有可能的标签，使用以下命令（中文要先分词）： ``` fasttext predict model.bin text.txt 1 ``` 附带概率： ``` fasttext predict-prob model.bin text.txt 1 ``` `text.txt`一行一个句子（中文要先分词），结果输出每一行的k个标签，以及概率。 ### 向量表示 如果要计算句子或段落的向量表示，可使用和之前一样的命令行： ``` fasttext print-sentence-vectors model.bin < text.txt ``` 输出结果对应每行一个向量（一连串小数） ### 量化 使用以下命令量化监督模型以减少其内存使用量： ``` fasttext quantize -output model ``` > 由于代码里面写了-output必须要有-input，所以使用下面的命令行，input文件名任意： > > ``` > fasttext quantize -output model -input x > ``` 这会创建一个占用较小内存的`.ftz`文件。所有标准功能（如测试或预测）在量化模型上的工作方式均相同，例如： ``` fasttext test model.ftz test.txt ``` # GUI  ## 命令行部分 直接执行FastText命令行 > 其中需要使用控制台输入的部分，改为使用 `> 文件名` ## 静态方法部分 `FastTextUtil类` 适用于只执行一次（比如训练）的地方 任何预测前都会重新加载模型，支持多线程 完全等同于控制台，只是多了可视化界面 ### 面向对象部分 `FastTextObject类` 声明一个对象，单词加载模型，多次预测，或者切换模型 ## 向量部分 用来测试句子向量的