我在python中使用gensim word2vec库,并使用预先训练的GoogleNews-vectors-negative300.bin模型。但是,
我的语料库中有一些单词,我没有单词向量getting keyError for that我该如何解决这个问题?
以下是我迄今为止所做的尝试
1:每个训练模型加载GoogleNews-vectors-negative300.bin
:
model = Word2Vec.load_word2vec_format('GoogleNews-vectors-negative300.bin', binary=True)
print "model loaded..."
2:使用推文中所有单词向量的平均值构建训练集的单词向量,然后缩放
def buildWordVector(text, size):
vec = np.zeros(size).reshape((1, size))
count = 0.
for word in text:
try:
vec += model[word].reshape((1, size))
count += 1.
#print "found! ", word
except KeyError:
print "not found! ", word #missing words
continue
if count != 0:
vec /= count
return vec
trained_vecs = np.concatenate([buildWordVector(z, n_dim) for z in x_train])
请告诉我们如何在预先训练的Word2vec模型中添加新词?
编辑2019/06/07
正如@Oleg Melnikov和https://rare-technologies.com/word2vec-tutorial/#online_training__resuming,如果没有vocab树(在使用C代码的训练完成后不会保存),就不可能恢复训练
请注意,使用C工具load_word2vec_format()生成的模型无法恢复训练。您仍然可以使用它们进行查询/相似性,但缺少对训练至关重要的信息(vocab树)。
-
获取预先训练的矢量-例如谷歌新闻
-
在gensim 中加载模型
-
在gensim 中继续训练模型
这些命令可能会派上用场
# Loading pre-trained vectors
model = Word2Vec.load_word2vec_format('/tmp/vectors.bin', binary=True)
# Training the model with list of sentences (with 4 CPU cores)
model.train(sentences, workers=4)