SpaCy：如何加载 Google 新闻 word2vec 向量？

Question

我尝试了几种加载谷歌新闻 word2vec 向量的方法 (https://code.google.com/archive/p/word2vec/)：

en_nlp = spacy.load('en',vector=False)
en_nlp.vocab.load_vectors_from_bin_loc('GoogleNews-vectors-negative300.bin')

以上给出：

MemoryError: Error assigning 18446744072820359357 bytes

我也尝试过使用 .gz 压缩向量；或使用 gensim 加载并保存它们为新格式：

from gensim.models.word2vec import Word2Vec
model = Word2Vec.load_word2vec_format('GoogleNews-vectors-negative300.bin', binary=True)
model.save_word2vec_format('googlenews2.txt')

然后该文件在每一行包含单词及其单词向量。 我尝试加载它们：

en_nlp.vocab.load_vectors('googlenews2.txt')

但它返回“0”。

这样做的正确方法是什么？

更新：

我可以将自己创建的文件加载到 spacy 中。 我在每一行使用带有“string 0.0 0.0 ....”的 test.txt 文件。然后用 .bzip2 压缩这个 txt 到 test.txt.bz2。 然后我创建一个 spacy 兼容的二进制文件：

spacy.vocab.write_binary_vectors('test.txt.bz2', 'test.bin')

我可以加载到 spacy 中：

nlp.vocab.load_vectors_from_bin_loc('test.bin')

这行得通！ 但是，当我对 googlenews2.txt 执行相同的过程时，我收到以下错误：

lib/python3.6/site-packages/spacy/cfile.pyx in spacy.cfile.CFile.read_into (spacy/cfile.cpp:1279)()

OSError: 

Answer 1

对于 spacy 1.x，将 Google 新闻向量加载到 gensim 中并转换为新格式（.txt 中的每一行都包含一个向量：string, vec）：

from gensim.models.word2vec import Word2Vec
from gensim.models import KeyedVectors
model = KeyedVectors.load_word2vec_format('GoogleNews-vectors-negative300.bin', binary=True)
model.wv.save_word2vec_format('googlenews.txt')

删除.txt的第一行：

tail -n +2 googlenews.txt > googlenews.new && mv -f googlenews.new googlenews.txt

将txt压缩为.bz2：

bzip2 googlenews.txt

创建兼容 SpaCy 的二进制文件：

spacy.vocab.write_binary_vectors('googlenews.txt.bz2','googlenews.bin')

将 googlenews.bin 移动到 python 环境的 /lib/python/site-packages/spacy/data/en_google-1.0.0/vocab/googlenews.bin。

然后加载词向量：

import spacy
nlp = spacy.load('en',vectors='en_google')

或稍后加载它们：

nlp.vocab.load_vectors_from_bin_loc('googlenews.bin')

Answer 2

我知道这个问题已经得到解答，但我将提供一个更简单的解决方案。此解决方案会将谷歌新闻向量加载到一个空白的 spacy nlp 对象中。

import gensim
import spacy

# Path to google news vectors
google_news_path = "path\to\google\news\\GoogleNews-vectors-negative300.bin.gz"

# Load google news vecs in gensim
model = gensim.models.KeyedVectors.load_word2vec_format(gn_path, binary=True)

# Init blank english spacy nlp object
nlp = spacy.blank('en')

# Loop through range of all indexes, get words associated with each index.
# The words in the keys list will correspond to the order of the google embed matrix
keys = []
for idx in range(3000000):
    keys.append(model.index2word[idx])

# Set the vectors for our nlp object to the google news vectors
nlp.vocab.vectors = spacy.vocab.Vectors(data=model.syn0, keys=keys)

>>> nlp.vocab.vectors.shape
(3000000, 300)

Answer 3

我正在使用 spaCy v2.0.10。

创建兼容 SpaCy 的二进制文件：

spacy.vocab.write_binary_vectors('googlenews.txt.bz2','googlenews.bin')

我想强调一下，已接受答案中的特定代码现在不起作用。我在运行代码时遇到了“AttributeError: ...”。

这在 spaCy v2 中有所改变。 write_binary_vectors 在 v2 中被删除。来自spaCy documentations，目前的做法如下：

$ python -m spacy init-model en /path/to/output -v /path/to/vectors.bin.tar.gz

Answer 4

使用 gensim api 下载 google 的 word2vec 压缩模型要容易得多，它将存储在 /home/"your_username"/gensim-data/word2vec-google-news-300/ 中。加载向量并打球。我有 16GB 的 RAM，足以处理模型

import gensim.downloader as api

model = api.load("word2vec-google-news-300")  # download the model and return as object ready for use
word_vectors = model.wv #load the vectors from the model