使用 Gensim 预训练的 GloVe 处理词汇不足的单词

如何解决使用 Gensim 预训练的 GloVe 处理词汇不足的单词

我正在处理 NLP 作业并加载了 Gensim 提供的 GloVe 向量：

<?xml version="1.0" encoding="UTF-8"?>
<root>
<even>
    <num>2</num>
    <num>4</num>
    <num>6</num>
    <num>8</num>
    <num>10</num>
</even>
<odd>
    <num>1</num>
    <num>3</num>
    <num>5</num>
    <num>7</num>
    <num>9</num>
</odd>
</root>

我正在尝试获取句子中每个单词的词嵌入，但其中一些不在词汇表中。

使用 Gensim API 处理它的最佳方法是什么？

谢谢！

解决方法

加载model：

import gensim.downloader as api
model = api.load("glove-twitter-25")  # load glove vectors
# model.most_similar("cat")  # show words that similar to word 'cat'

有一种非常简单的方法可以确定模型的词汇表中是否存在这些词。

result = print('Word exists') if word in model.wv.vocab else print('Word does not exist")

除此之外，我还使用以下逻辑创建了带有 N 个标记的句子嵌入（25 暗）：

from __future__ import print_function,division
import os
import re
import sys
import regex
import numpy as np
from functools import partial

from fuzzywuzzy import process
from Levenshtein import ratio as lev_ratio

import gensim
import tempfile


def vocab_check(model,word):
    similar_words = model.most_similar(word)
    match_ratio = 0.
    match_word = ''
    for sim_word,sim_score in similar_words:
        ratio = lev_ratio(word,sim_word)
        if ratio > match_ratio:
            match_word = sim_word
    if match_word == '':
        return similar_words[0][1]
    return model.similarity(word,match_word)


def sentence2vector(model,sent,dim=25):
    words = sent.split(' ')
    emb = [model[w.strip()] for w in words]
    weights = [1. if w in model.wv.vocab else vocab_check(model,w) for w in words]
    
    if len(emb) == 0:
        sent_vec = np.zeros(dim,dtype=np.float16)
    else:
        sent_vec = np.dot(weights,emb)

    sent_vec = sent_vec.astype("float16")
    return sent_vec