使用 gensim 和 FastText 进行词嵌入，对预训练向量进行训练

Question

我正在尝试使用下一个代码加载 Facebook fasttext crawl-300d-2M.vec 的预训练 vec 文件：

from gensim.models.fasttext import load_facebook_model, load_facebook_vectors

model_facebook = load_facebook_vectors('fasttext/crawl-300d-2M.vec')

但失败并出现下一个错误：

NotImplementedError: Supervised fastText models are not supported

无法加载此矢量？

如果可以的话，以后可以自己用句子训练吗？

提前致谢。

整个错误跟踪：

---------------------------------------------------------------------------
NotImplementedError                       Traceback (most recent call last)
<ipython-input-181-f8262e0857b8> in <module>
----> 1 model_facebook = load_facebook_vectors('fasttext/crawl-300d-2M.vec')

/opt/conda/lib/python3.7/site-packages/gensim/models/fasttext.py in load_facebook_vectors(path, encoding)
   1196 
   1197     """
-> 1198     model_wrapper = _load_fasttext_format(path, encoding=encoding, full_model=False)
   1199     return model_wrapper.wv
   1200 

/opt/conda/lib/python3.7/site-packages/gensim/models/fasttext.py in _load_fasttext_format(model_file, encoding, full_model)
   1220     """
   1221     with gensim.utils.open(model_file, 'rb') as fin:
-> 1222         m = gensim.models._fasttext_bin.load(fin, encoding=encoding, full_model=full_model)
   1223 
   1224     model = FastText(

/opt/conda/lib/python3.7/site-packages/gensim/models/_fasttext_bin.py in load(fin, encoding, full_model)
    339         model.update(dim=magic, ws=version)
    340 
--> 341     raw_vocab, vocab_size, nwords, ntokens = _load_vocab(fin, new_format, encoding=encoding)
    342     model.update(raw_vocab=raw_vocab, vocab_size=vocab_size, nwords=nwords, ntokens=ntokens)
    343 

/opt/conda/lib/python3.7/site-packages/gensim/models/_fasttext_bin.py in _load_vocab(fin, new_format, encoding)
    192     # Vocab stored by [Dictionary::save](https://github.com/facebookresearch/fastText/blob/master/src/dictionary.cc)
    193     if nlabels > 0:
--> 194         raise NotImplementedError("Supervised fastText models are not supported")
    195     logger.info("loading %s words for fastText model from %s", vocab_size, fin.name)
    196 

NotImplementedError: Supervised fastText models are not supported

Answer 1

我相信，但不确定，在这种特殊情况下，您会收到此错误，因为您正在尝试加载一组简单的向量（FastText 项目倾向于将其命名为以 .vec) 以及一种专为 FastText 特定格式使用而设计的方法，其中包括 subword/model 信息。

因此，它将文件的前导字节误解为使用 FastText 的“-supervised”模式声明模型。（Gensim 确实不支持这样的完整模型，在不太常见的模式下。但它可以从这样的模型加载结束向量，无论如何你的文件不是真正来自那个模式。）

可与 load_facebook_vectors() 一起使用的已发布文件通常以 .bin 结尾。有关详细信息，请参阅此方法的文档：

https://radimrehurek.com/gensim/models/fasttext.html#gensim.models.fasttext.load_facebook_vectors

所以，您可以：

向此方法提供备用 .bin 命名的 Facebook-FastText 格式的向量集（带有子词信息）。（通过快速查看他们的下载选项，我相信他们的文件类似于您的第一次尝试将被命名为 crawl-300d-2M-subword.bin 并且大小约为 7.24GB。）
通过以下方式加载您拥有的文件，仅包含其全词向量：

    from gensim.models import KeyedVectors
    model = KeyedVectors.load_word2vec_format('fasttext/crawl-300d-2M.vec', binary=False)

在后一种情况下，没有特定于 FastText 的功能（例如使用子词向量合成词汇外词的猜测向量）将可用 - 但该信息不在 'crawl-300d-2M.vec' 文件，无论如何。（如果您使用更大的 .bin 文件和上面的 .load_facebook_vectors() 方法，这些功能将可用。）

使用 gensim 和 FastText 进行词嵌入，对预训练向量进行训练

Word embedding with gensim and FastText, training on pretrained vectors

python

gensim

word-embedding

fasttext