如何使用 gensim fasttext wrapper 训练词嵌入表示？

Question

我想用 fatext 训练我自己的词嵌入。但是，在按照教程进行操作后，我无法正确地做到这一点。到目前为止我试过：

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

输出：

<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)

输出：

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)

我得到 False，即使这个词出现在我传递给快速文本模型的句子中。另外，当我检查与 return 最相似的词时，我得到的字符是：

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)]

gensim 的 fasttext wrapper 的正确使用方法是什么？

Answer 1

gensim FastText class 不将纯字符串作为其训练文本。它期望 lists-of-words，而不是。如果您传递纯字符串，它们将看起来像 lists-of-single-characters，并且您会得到一个像您所看到的发育不良的词汇。

将 corpus 的每个项目标记为 list-of-word-tokens，您将获得 closer-to-expected 结果。一种 super-simple 方法可能只是：

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

但是，通常您还想做其他事情来正确标记 plain-text – 也许 case-flatten，或者用标点符号等做其他事情

Answer 2

为了查看词汇，应将词汇写入文本文件，以便从该文本文件中可见。 This 可能对您有帮助：

with open("vocab.txt", "w", encoding="utf8") as vocab_out:
    for word in model_gensim.wv.vocab:
        vocab_out.write(word + "\n")

如何使用 gensim fasttext wrapper 训练词嵌入表示？

How to train a word embedding representation with gensim fasttext wrapper?

machine-learning

nlp

gensim

word-embedding

fasttext