Word2vec 和 GloVe 都无法处理好词的变形问题，例如英文中的 study、studies 以及 studied 都表示一个意思，但是这两种方法都将这些相同意思不同形态的词当成不同的词，这就会带来信息的冗余或者丢失。
对此，Facebook 研究院提出了 FastText 的模型，目的就是对词的变形进行建模：
下面我们对 Word2vec、GloVe 以及 FastText 进行一个对比：
- 在 NLP 具体任务中应用的效果来看：效果最差的是 CBOW；其次是 Skip-gram（GloVe 跟 Skip-gram 差不多）；效果最好的是 FastText。
- FastText 能很好地处理 OOV 问题，并能很好地对词的变形进行建模，对词变形非常丰富的德语、西班牙语等语言都非常有效；
- 从效率（训练时间）上来看：CBOW 的效率是最高的，其次是 GloVe；之后是 Skip-gram；而最低的是 FastText。
source:AI研习社