![](/img/trans.png)
[英]Python gensim create word2vec model from vectors (in ndarray)
[英]Gensim Word2Vec select minor set of word vectors from pretrained model
我在 gensim 中有一个大型的预训练 Word2Vec 模型,我想从中使用预训练的词向量作为 Keras 模型中的嵌入层。
问题是嵌入的大小很大,我不需要大部分词向量(因为我知道哪些词可以作为输入出现)。 所以我想摆脱它们以减少嵌入层的大小。
有没有办法根据单词白名单保留所需的词向量(包括相应的索引!)?
感谢这个答案(我稍微改变了代码以使其更好)。 您可以使用此代码来解决您的问题。
我们有我们所有的次要集字restricted_word_set
(它可以是列表或组)和w2v
是我们的模型,所以这里的功能是:
import numpy as np
def restrict_w2v(w2v, restricted_word_set):
new_vectors = []
new_vocab = {}
new_index2entity = []
new_vectors_norm = []
for i in range(len(w2v.vocab)):
word = w2v.index2entity[i]
vec = w2v.vectors[i]
vocab = w2v.vocab[word]
vec_norm = w2v.vectors_norm[i]
if word in restricted_word_set:
vocab.index = len(new_index2entity)
new_index2entity.append(word)
new_vocab[word] = vocab
new_vectors.append(vec)
new_vectors_norm.append(vec_norm)
w2v.vocab = new_vocab
w2v.vectors = np.array(new_vectors)
w2v.index2entity = np.array(new_index2entity)
w2v.index2word = np.array(new_index2entity)
w2v.vectors_norm = np.array(new_vectors_norm)
警告:当你第一次创建模型时,
vectors_norm == None
所以如果你在那里使用这个函数你会得到一个错误。 在第一次使用后,vectors_norm
将获得一个numpy.ndarray
类型的值。 因此在使用该函数之前,请尝试使用most_similar("cat")
以便vectors_norm
不等于None
。
它根据Word2VecKeyedVectors重写与单词相关的所有变量。
用法:
w2v = KeyedVectors.load_word2vec_format("GoogleNews-vectors-negative300.bin.gz", binary=True)
w2v.most_similar("beer")
[('啤酒',0.8409687876701355),
('啤酒',0.7733745574951172),
('啤酒',0.71753990650177),
('饮料', 0.668931245803833),
('贮藏啤酒', 0.6570086479187012),
('Yuengling_Lager', 0.655455470085144),
('微酿', 0.6534324884414673),
('Brooklyn_Lager', 0.6501551866531372),
('suds', 0.6497018337249756),
('brewed_beer', 0.6490240097045898)]
restricted_word_set = {"beer", "wine", "computer", "python", "bash", "lagers"}
restrict_w2v(w2v, restricted_word_set)
w2v.most_similar("beer")
[('贮藏啤酒',0.6570085287094116),
('酒', 0.6217695474624634),
('bash', 0.20583480596542358),
('计算机', 0.06677375733852386),
('蟒蛇',0.005948573350906372)]
它也可以用于删除一些单词。
没有内置功能可以做到这一点,但它不需要太多代码,并且可以模仿现有的gensim
代码。 一些可能的替代策略:
加载完整的向量,然后以易于解析的格式保存 - 例如通过.save_word2vec_format(..., binary=False)
。 这种格式几乎一目了然; 编写您自己的代码以删除此文件中不在您的白名单中的所有行(确保更新 entry-count 的前导行声明)。 load_word2vec_format()
和save_word2vec_format()
的现有源代码可能具有指导意义。 然后,您将拥有一个子集文件。
或者,假设您要使用您感兴趣的语料库(仅使用有趣的词)训练一个新的 Word2Vec 模型。 但是,只创建模型并执行build_vocab()
步骤。 现在,您拥有未经训练的模型,带有随机向量,但词汇量恰到好处。 获取模型的wv
属性 - 具有正确词汇表的KeyedVectors
实例。 然后分别加载过大的向量集,对于大小合适的KeyedVectors
中的每个单词,从较大的集合中复制实际向量。 然后保存大小合适的子集。
或者,查看 Word2Vec intersect_word2vec_format()
上的 (possably-broken-since-gensim-3.4) 方法。 它或多或少地尝试执行上面 (2) 中描述的操作:使用具有您想要的词汇表的内存模型,仅合并来自磁盘上另一个 word2vec 格式集的重叠单词。 它要么有效,要么为您想要做的事情提供模板。
几年前,我编写了一个名为embfile的实用程序包,用于处理“嵌入文件”(但我仅在 2020 年发布了它)。 它支持多种格式:
我想涵盖的用例是创建一个预训练的嵌入矩阵来初始化一个Embedding
层。 我想通过尽可能快地加载我需要的词向量来做到这一点。
import embfile
with embfile.open(EMBEDDING_FILE_PATH) as f:
emb_matrix, word2index, missing_words = embfile.build_matrix(
f,
words=vocab, # this could also be a word2index dictionary as well
start_index=1, # leave the first row to zeros
)
此函数还处理文件词汇表之外的单词的初始化。 默认情况下,它在找到的向量上拟合正态分布,并使用它来生成新的随机向量(这就是 AllenNLP 所做的)。 我不确定这个功能是否仍然相关:现在你可以使用 FastText 或其他工具为未知单词生成嵌入。
该软件包已被广泛记录和测试。 还有一些示例展示了如何将它与 Keras 一起使用。
请记住,txt 和 bin 文件本质上是顺序文件,需要进行全面扫描(除非您在结尾之前找到要查找的所有单词)。 这就是我使用 vvm 文件的原因,它为向量提供随机访问。 一个人可以通过索引顺序文件来解决这个问题,但是 embfile 没有这个功能。 尽管如此,您可以将顺序文件转换为 vvm(这类似于创建索引并将所有内容打包到单个文件中)。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.