训练 Fasttext 模型答案

【问题标题】：training a Fasttext model训练 Fasttext 模型
【发布时间】：2021-03-29 19:54:40
【问题描述】：

我想使用“gensim”库在 Python 中训练一个 Fasttext 模型。首先，我应该将每个句子标记为其单词，从而将每个句子转换为单词列表。然后，应将此列表附加到最终列表中。因此，最后，我将有一个包含所有标记化句子的嵌套列表：

word_punctuation_tokenizer = nltk.WordPunctTokenizer()
word_tokenized_corpus = []
for line in open('sentences.txt'):
   new = line.strip()
   new = word_punctuation_tokenizer.tokenize(new)
   if len(new) != 0:
       word_tokenized_corpus.append(new)

那么，模型应该如下构建：

embedding_size = 60
window_size = 40
min_word = 5
down_sampling = 1e-2
ft_model = FastText(word_tokenized_corpus,
                  size=embedding_size,
                  window=window_size,
                  min_count=min_word,
                  sample=down_sampling,
                  sg=1,
                  iter=100)

但是“word_tokenized_corpus”的句子数量很大，程序处理不了。是否可以通过将每个标记化的句子一个一个地赋予模型来训练模型，例如：？

 for line in open('sentences.txt'):
  new = line.strip()
  new = word_punctuation_tokenizer.tokenize(new)
  if len(new) != 0:
   ft_model = FastText(new,
              size=embedding_size,
              window=window_size,
              min_count=min_word,
              sample=down_sampling,
              sg=1,
              iter=100)

这对最终结果有什么影响吗？是否可以在不必构建如此大的列表并将其保存在内存中的情况下训练模型？

【问题讨论】：

标签： python gensim fasttext

【解决方案1】：

由于数据量很大，最好将文本文件转换成COR文件。然后，按以下方式阅读：

from gensim.test.utils import datapath
corpus_file = datapath('sentences.cor')

至于下一步：

model = FastText(size=embedding_size,
                  window=window_size,
                  min_count=min_word,
                  sample=down_sampling,
                  sg=1,
                  iter=100)
model.build_vocab(corpus_file=corpus_file)
total_words = model.corpus_total_words
model.train(corpus_file=corpus_file, total_words=total_words, epochs=5)

【讨论】：

【解决方案2】：

如果你想使用默认的fasttextAPI，这里你可以怎么做：

root = "path/to/all/the/texts/in/a/single/txt/files.txt"

training_param = {
    'ws': window_size,
    'minCount': min_word,
    'dim': embedding_size,
    't': down_sampling,
    'epoch': 5,
    'seed': 0
}
# for all the parameters: https://fasttext.cc/docs/en/options.html

model = fasttext.train_unsupervised(path, **training_param)
model.save_model("embeddings_300_fr.bin")

使用fasttext API 的优势在于 (1) 在 C++ 中使用 Python 中的包装器实现（比 Gensim 快得多）（也是多线程的）(2) 更好地管理文本的阅读。也可以直接从命令行使用。

【讨论】：