如何将 numpy 数组加载为 gensim Keyedvector 格式？

Question

我训练词嵌入后，将其保存为npz格式。当我尝试将其加载为 KeyedVectors 格式时，它会出错。如何将 numpy 数组加载为 gensim.KeyedVectors 格式？我真的需要它，因为我需要使用像 most_similar() 这样的函数，而不仅仅是向量值。

在 model.py 中使用 tensorflow，

self.verb_embeddings = tf.Variable(np.load(cfg.pretrained_target)["embeddings"],
                                               name="verb_embeddings",
                                               dtype=tf.float32,
                                               trainable=cfg.tune_emb)

在saving.py

target_emb = sess.run(model.verb_embeddings)
np.savez_compressed("trained_target_emb.npz", embeddings=target_emb)

在main.py

 model = KeyedVectors.load('trained_target_emb.npz')

我得到了

_pickle.UnpicklingError: A load persistent id instruction was encountered, but no persistent_load function was specified.

也试过

 model = KeyedVectors.load_word2vec_format('trained_target_emb.npz')

但是得到了

 UnicodeDecodeError: 'utf-8' codec can't decode byte 0xde in position 14: invalid continuation byte

Answer 1

Gensim KeyedVectors 实例不能从纯粹的原始数组加载：没有关于表示哪些单词以及哪些索引包含哪些单词的信息。

gensim 中的普通 .load() 需要使用 gensim 自己的 .save() 方法从 gensim 保存的对象。

可以从与原始 Google/Mikolov word2vec.c 工具所用格式相同的文件中加载词向量。那么也许您的 tensorflow 代码可以这样保存它们？

然后，您将使用 .load_word2vec_format()。

如何将 numpy 数组加载为 gensim Keyedvector 格式？

How to load numpy array to gensim Keyedvector format?

python

numpy

tensorflow

gensim

embedding