Python Gensim word2vec词汇密钥

Question

我想用gensim制作word2vec。 我听说词汇语料库应该是unicode所以我把它转换成unicode。

# -*- encoding:utf-8 -*-
# !/usr/bin/env python
import sys
reload(sys)
sys.setdefaultencoding('utf-8')
from gensim.models import Word2Vec
import pprint

with open('parsed_data.txt', 'r') as f:
    corpus = map(unicode, f.read().split('\n'))

model = Word2Vec(size=128, window=5, min_count=5, workers=4)
model.build_vocab(corpus,keep_raw_vocab=False)
model.train(corpus)
model.save('w2v')

pprint.pprint(model.most_similar(u'너'))

以上是我的源代码。 看起来效果很好。 但是词汇密钥存在问题。 我想制作使用unicode的韩语word2vec。 例如单词사과 ，这意味着用英语道歉，它的unicode是\\xC0AC\\xACFC如果我试图在word2vec中找到사과则会发生键错误...
而不是\\xc0ac\\xacfc \\xc0ac和\\xacfc分开存储。 是什么原因以及如何解决？

Answer 1

Word2Vec需要将文本示例分解为word-tokens。 看起来你只是在为Word2Vec提供字符串，所以当它迭代它们时，它只会看到单个字符作为单词。

韩国人是否使用空格来划分单词？ 如果是这样，请在将单词列表作为文本示例传递给Word2Vec之前，按空格分隔文本。

如果没有，在将句子传递给Word2Vec之前，你需要使用一些外部的word-tokenizer（不是gensim的一部分）。