無法從其 vector_ngrams 中重現預訓練的詞向量

Question

只是出於好奇，但我正在調試 gensim 的 FastText 代碼以復制詞匯外 (OOV) 單詞的實現，但我無法完成它。 因此，我遵循的過程是用玩具語料庫訓練一個小模型，然后比較詞匯表中單詞的結果向量。 這意味着如果整個過程沒問題，輸出數組應該是相同的。

這是我用於測試的代碼：

from gensim.models import FastText
import numpy as np
# Default gensim's function for hashing ngrams
from gensim.models._utils_any2vec import ft_hash_bytes

# Toy corpus
sentences = [['hello', 'test', 'hello', 'greeting'],
             ['hey', 'hello', 'another', 'test']]

# Instatiate FastText gensim's class
ft = FastText(sg=1, size=5, min_count=1, \
window=2, hs=0, negative=20, \
seed=0, workers=1, bucket=100, \
min_n=3, max_n=4)

# Build vocab
ft.build_vocab(sentences)

# Fit model weights (vectors_ngram)
ft.train(sentences=sentences, total_examples=ft.corpus_count, epochs=5)

# Save model
ft.save('./ft.model')
del ft

# Load model
ft = FastText.load('./ft.model')

# Generate ngrams for test-word given min_n=3 and max_n=4
encoded_ngrams = [b"<he", b"<hel", b"hel", b"hell", b"ell", b"ello", b"llo", b"llo>", b"lo>"]
# Hash ngrams to its corresponding index, just as Gensim does
ngram_hashes = [ft_hash_bytes(n) % 100 for n in encoded_ngrams]
word_vec = np.zeros(5, dtype=np.float32)
for nh in ngram_hashes:
    word_vec += ft.wv.vectors_ngrams[nh]

# Compare both arrays
print(np.isclose(ft.wv['hello'], word_vec))

對於比較數組的每個維度，此腳本的輸出都是 False。

如果有人能指出我遺漏了什么或做錯了什么，那就太好了。 提前致謝！

Answer 1

一個完整詞的 FastText 詞向量的計算不僅是其字符 n-gram 向量的總和，而且還是一個原始的完整詞向量，該向量也針對詞匯表中的詞進行了訓練。

您從ft.wv[word]返回的全詞向量已經預先計算了這種組合。 有關此完整計算的示例，請參閱adjust_vectors()方法：

https://github.com/RaRe-Technologies/gensim/blob/68ec5b8ed7f18e75e0b13689f4da53405ef3ed96/gensim/models/keyedvectors.py#L2282

原始全字矢量是在一個.vectors_vocab的上陣列model.wv對象。

（如果這還不足以解決問題：確保您使用的是最新的gensim ，因為最近有許多 FT 修復。並且，確保您的 ngram-hashes 列表與庫的ft_ngram_hashes()方法的輸出相匹配– 如果沒有，您的手動 ngram-list-creation 和隨后的散列可能會做一些不同的事情。）