时间戳

首页 > 解决方案 > 如何使用 gensim fasttext wrapper 训练词嵌入表示？

machine-learning - 如何使用 gensim fasttext wrapper 训练词嵌入表示？

问题描述

我想用 fastext 训练我自己的词嵌入。但是，在遵循教程之后，我无法正确地做到这一点。到目前为止，我尝试过：

在：

from gensim.models.fasttext import FastText as FT_gensim

# Set file names for train and test data
corpus = df['sentences'].values.tolist()

model_gensim = FT_gensim(size=100)

# build the vocabulary
model_gensim.build_vocab(sentences=corpus)
model_gensim

出去：

<gensim.models.fasttext.FastText at 0x7f6087cc70f0>

在：

# train the model
model_gensim.train(
    sentences = corpus, 
    epochs = model_gensim.epochs,
    total_examples = model_gensim.corpus_count, 
    total_words = model_gensim.corpus_total_words
)

print(model_gensim)

出去：

FastText(vocab=107, size=100, alpha=0.025)

但是，当我尝试查看词汇表时：

print('return' in model_gensim.wv.vocab)

我明白False了，即使这个词出现在我传递给快速文本模型的句子中。此外，当我检查要返回的最相似的单词时，我得到了字符：

model_gensim.most_similar("return")

[('R', 0.15871645510196686),
 ('2', 0.08545402437448502),
 ('i', 0.08142799884080887),
 ('b', 0.07969795912504196),
 ('a', 0.05666942521929741),
 ('w', 0.03705815598368645),
 ('c', 0.032348938286304474),
 ('y', 0.0319858118891716),
 ('o', 0.027745068073272705),
 ('p', 0.026891689747571945)]

使用 gensim 的 fasttext 包装器的正确方法是什么？

标签： machine-learningnlpgensimword-embeddingfasttext

解决方案

gensimFastText类不将纯字符串作为其训练文本。相反，它需要单词列表。如果您传递纯字符串，它们将看起来像单字符列表，并且您会得到一个像您所看到的那样发育不良的词汇表。

Tokenize each item of your corpus into a list-of-word-tokens and you'll get closer-to-expected results. One super-simple way to do this might just be:

corpus = [s.split() for s in corpus]

But, usually you'd want to do other things to properly tokenize plain-text as well – perhaps case-flatten, or do something else with punctuation, etc.

推荐阅读