加载word2vec模块时，'utf-8'解码错误

Question

我必须使用包含大量中文字符的word2vec模块。 该模块由我的同事使用Java进行培训，并保存为bin文件。

我安装了gensim并尝试加载模块，但发生以下错误：

In [1]: import gensim  

In [2]: model = gensim.models.Word2Vec.load_word2vec_format('/data5/momo-projects/user_interest_classification/code/word2vec/vectors_groups_1105.bin', binary=True)

UnicodeDecodeError: 'utf-8' codec can't decode bytes in position 96-97: unexpected end of data

我试图在python 2.7和3.5中加载模块，以同样的方式失败。 那么如何在gensim中加载模块呢？ 谢谢。

Answer 1

该模块是由Java培训的大量汉字。 我无法弄清楚原始语料库的编码格式。 该错误可以通过gensim FAQ中的描述来解决，

使用带有标志的load_word2vec_format来忽略字符解码错误：

In [1]: import gensim

In [2]: model = gensim.models.Word2Vec.load_word2vec_format('/data5/momo-projects/user_interest_classification/code/word2vec/vectors_groups_1105.bin', binary=True, unicode_errors='ignore')

但我不知道忽略编码错误是否重要。

Answer 2

我试过这面旗帜

unicode_errors='ignore'

但它并没有解决unicode问题。

我检查到我将文件从filename.bin.gz重命名为filename.gz后出现了unicode错误。

我的解决方案是提取压缩文件，而不是重命名它。

然后我使用上面标志的文件，没有unicode错误。

请注意，我使用Mac（Sierra）和python 2.7。