加载 word2vec 时出现 UnicodeDecodeError 错误

Question

完整说明

我开始使用词嵌入，并找到了大量有关它的信息。我知道，到目前为止，我可以训练自己的词向量或使用以前训练过的词向量，例如 Google 或 Wikipedia 的，它们可用于英语，但对我没有用，因为我正在处理 巴西葡萄牙语。因此，我开始寻找预先训练的葡萄牙语词向量，最终找到了Hirosan's List of Pretrained Word Embeddings，这使我找到了Kyubyong 的WordVectors，从中我了解到了Rami Al-Rfou 的Polyglot。下载后，我一直尝试简单地加载词向量，但没有成功。

简短说明

我无法加载预训练的词向量；我正在尝试WordVectors 和Polyglot。

下载

• Kyubyong's pre-trained word2vector format word vectors for Portuguese;
• Polyglot's pre-trained word vectors for Portuguese;

加载尝试

Kyubyong 的WordVectors 第一次尝试：按照Hirosan 的建议使用Gensim；

from gensim.models import KeyedVectors
kyu_path = '.../pre-trained_word_vectors/kyubyong_pt/pt.bin'
word_vectors = KeyedVectors.load_word2vec_format(kyu_path, binary=True)

然后返回错误：

[...]
File "/Users/luisflavio/anaconda3/lib/python3.6/site-packages/gensim/utils.py", line 359, in any2unicode
return unicode(text, encoding, errors=errors)

UnicodeDecodeError: 'utf-8' codec can't decode byte 0x80 in position 0: invalid start byte

下载的 zip 还包含其他文件，但都返回类似的错误。

Polyglot 第一次尝试：关注Al-Rfous's instructions；

import pickle
import numpy
pol_path = '.../pre-trained_word_vectors/polyglot/polyglot-pt.pkl'
words, embeddings = pickle.load(open(pol_path, 'rb'))

然后返回错误：

File "/Users/luisflavio/Desktop/Python/w2v_loading_tries.py", line 14, in <module>
    words, embeddings = pickle.load(open(polyglot_path, "rb"))

UnicodeDecodeError: 'ascii' codec can't decode byte 0xd4 in position 1: ordinal not in range(128)

第二次尝试：使用Polyglot's word embedding load function；

首先，我们必须通过 pip 安装 polyglot：

pip install polyglot

现在我们可以导入它了：

from polyglot.mapping import Embedding
pol_path = '.../pre-trained_word_vectors/polyglot/polyglot-pt.pkl'
embeddings = Embedding.load(polyglot_path)

然后返回错误：

File "/Users/luisflavio/anaconda3/lib/python3.6/codecs.py", line 321, in decode
(result, consumed) = self._buffer_decode(data, self.errors, final)

UnicodeDecodeError: 'utf-8' codec can't decode byte 0x80 in position 0: invalid start byte

额外信息

我在 MacOS High Sierra 上使用 python 3。

解决方案

Kyubyong 的WordVectors 正如Aneesh Joshi所指出的，加载Kyubyong的模型的正确方法是调用Word2Vec的原生加载函数。

from gensim.models import Word2Vec
kyu_path = '.../pre-trained_word_vectors/kyubyong_pt/pt.bin'
model = Word2Vec.load(kyu_path)

尽管我非常感谢 Aneesh Joshi 的解决方案，但多语言似乎是使用葡萄牙语的更好模式。关于那个有什么想法吗？

Answer 1

对于 Kyubyong 的预训练 word2vector .bin 文件： 它可能是使用 gensim 的保存功能保存的。

“用load()加载模型。不是load_word2vec_format（这是为了C-tool兼容性）。”

即model = Word2Vec.load(fname)

让我知道这是否有效。

参考：Gensim mailing list