时间戳

首页 > 解决方案 > Word2Vec 词汇只产生字母和符号

python - Word2Vec 词汇只产生字母和符号

问题描述

我是 Word2Vec 的新手，我正在尝试根据它们的相似性对单词进行聚类。首先，我使用 nltk 来分隔句子，然后使用生成的句子列表作为 Word2Vec 的输入。然而，当我打印词汇时，它只是一堆字母、数字和符号，而不是单词。具体来说，其中一个字母的示例是“< gensim.models.keyedvectors.Vocab object at 0x00000238145AB438>, 'L':”

# imports needed and logging
import gensim
from gensim.models import word2vec
import logging

import nltk
#nltk.download('punkt')
#nltk.download('averaged_perceptron_tagger')
with open('C:\\Users\\Freddy\\Desktop\\Thesis\\Descriptions.txt','r') as f_open:
    text = f_open.read()
arr = []

sentences = nltk.sent_tokenize(text) # this gives a list of sentences

logging.basicConfig(format='%(asctime)s : %(levelname)s : %(message)s',level=logging.INFO)

model = word2vec.Word2Vec(sentences, size = 300)

print(model.wv.vocab)

标签： pythonpython-3.xtokenizegensimword2vec

解决方案

正如教程和类文档所建议的那样，Word2Vec类的构造函数需要单词列表作为第一个参数（或一般单词迭代器的迭代器）：

sentence (iterable of iterables, optional) – 可迭代的句子可以是简单的标记列表列表，但对于更大的语料库，...

我相信在输入之前，sentences您Word2Vec需要words_tokenize在每个句子上使用将关键行更改为：

sentences = [nltk.word_tokenize(sent) for sent in nltk.sent_tokenize(text)]

TL;博士

您将字母作为“单词”，因为Word2Vec将与句子对应的字符串视为包含单词的可迭代对象。遍历字符串会产生字母序列。这些字母被用作模型学习的基础（而不是预期的单词）。

古语有云：垃圾进垃圾出。

推荐阅读