Gensim Word2Vec 从预训练模型中选择少量词向量

Question

我在 gensim 中有一个大型的预训练 Word2Vec 模型，我想将预训练的词向量用于我的 Keras 模型中的嵌入层。

问题在于嵌入大小很大，我不需要大部分词向量（因为我知道哪些词可以作为输入出现）。所以我想摆脱它们以减小嵌入层的大小。

有没有办法根据单词白名单保留所需的词向量（包括对应的索引！）？

Answer 1

没有内置功能可以做到这一点，但它不需要太多代码，并且可以以现有的gensim 代码为模型。一些可能的替代策略：

1. 加载完整的向量，然后以易于解析的格式保存 - 例如通过.save_word2vec_format(..., binary=False)。这种格式几乎是不言自明的；编写您自己的代码以删除此文件中不在您的白名单上的所有行（确保更新 entry-count 的前导行声明）。 load_word2vec_format() & save_word2vec_format() 的现有源代码可能具有指导意义。然后，您将拥有一个子集文件。

2. 或者，假设您要训练一个新的 Word2Vec 模型，使用您感兴趣的语料库（仅包含有趣的单词）。但是，只创建模型并执行build_vocab() 步骤。现在，您拥有未经训练的模型，带有随机向量，但词汇量恰到好处。获取模型的 wv 属性 - 具有正确词汇的 KeyedVectors 实例。然后分别加载过大的向量集，并为正确大小的KeyedVectors 中的每个单词，从更大的集合中复制实际向量。然后保存大小合适的子集。

3. 或者，查看 Word2Vec intersect_word2vec_format() 上的 (possibly-broken-since-gensim-3.4) 方法。它或多或少地尝试执行上面（2）中描述的操作：使用具有所需词汇表的内存模型，仅合并磁盘上另一个 word2vec 格式集的重叠单词。它既可以工作，也可以为您想要做的事情提供模板。

Answer 2

感谢this answer（我稍微更改了代码以使其更好）。您可以使用此代码来解决您的问题。

我们在restricted_word_set 中有我们所有的次要词集（它可以是列表或集合），w2v 是我们的模型，所以这里是函数：

import numpy as np

def restrict_w2v(w2v, restricted_word_set):
    new_vectors = []
    new_vocab = {}
    new_index2entity = []
    new_vectors_norm = []

    for i in range(len(w2v.vocab)):
        word = w2v.index2entity[i]
        vec = w2v.vectors[i]
        vocab = w2v.vocab[word]
        vec_norm = w2v.vectors_norm[i]
        if word in restricted_word_set:
            vocab.index = len(new_index2entity)
            new_index2entity.append(word)
            new_vocab[word] = vocab
            new_vectors.append(vec)
            new_vectors_norm.append(vec_norm)

    w2v.vocab = new_vocab
    w2v.vectors = np.array(new_vectors)
    w2v.index2entity = np.array(new_index2entity)
    w2v.index2word = np.array(new_index2entity)
    w2v.vectors_norm = np.array(new_vectors_norm)

警告：当您第一次创建模型时，vectors_norm == None 所以 如果你在那里使用这个函数，你会得到一个错误。 vectors_norm 第一次使用后将获得numpy.ndarray 类型的值。所以 在使用该功能之前尝试类似most_similar("cat") 这样 vectors_norm 不等于 None。

它会根据Word2VecKeyedVectors重写所有与单词相关的变量。

用法：

w2v = KeyedVectors.load_word2vec_format("GoogleNews-vectors-negative300.bin.gz", binary=True)
w2v.most_similar("beer")

[('啤酒', 0.8409687876701355),
（'啤酒'，0.7733745574951172），
（“啤酒”，0.71753990650177），
（'饮料'，0.668931245803833），
('lagers', 0.6570086479187012),
('Yuengling_Lager', 0.655455470085144),
（'微酿'，0.6534324884414673），
('Brooklyn_Lager', 0.6501551866531372),
（“泡沫”，0.6497018337249756），
('brewed_beer', 0.6490240097045898)]

restricted_word_set = {"beer", "wine", "computer", "python", "bash", "lagers"}
restrict_w2v(w2v, restricted_word_set)
w2v.most_similar("beer")

[('lagers', 0.6570085287094116),
('酒', 0.6217695474624634),
('bash', 0.20583480596542358),
('电脑', 0.06677375733852386),
('python', 0.005948573350906372)]

它也可以用于删除一些单词。

Answer 3

几年前，我编写了一个名为 embfile 的实用程序包，用于处理“嵌入文件”（但我直到 2020 年才发布它）。支持多种格式：

• .txt（带或不带“标题行”）
• .bin，谷歌 Word2Vec 格式
• .vvm，我使用的一种自定义格式（它只是一个 TAR 文件，在单独的文件中包含词汇表、向量和元数据，因此可以在几分之一秒内完全读取词汇表，并且可以随机访问向量）。

我想介绍的用例是创建一个预训练的嵌入矩阵来初始化Embedding 层。我想通过尽可能快地加载我需要的词向量来做到这一点。

import embfile

with embfile.open(EMBEDDING_FILE_PATH) as f:

    emb_matrix, word2index, missing_words = embfile.build_matrix(
        f, 
        words=vocab,     # this could also be a word2index dictionary as well
        start_index=1,   # leave the first row to zeros 
    )

此函数还处理文件词汇表之外的单词的初始化。默认情况下，它在找到的向量上拟合正态分布，并将其用于生成新的随机向量（这就是 AllenNLP 所做的）。我不确定这个功能是否仍然相关：现在您可以使用 FastText 或其他方式为未知单词生成嵌入。

包是extensively documented 并经过测试。还有examples that show how to use it with Keras。

请记住，txt 和 bin 文件本质上是连续文件，需要进行全面扫描（除非您在结尾之前找到所有要查找的单词）。这就是我使用 vvm 文件的原因，它为向量提供随机访问。仅仅通过索引顺序文件就可以解决这个问题，但是 embfile 没有这个功能。尽管如此，您可以将顺序文件转换为 vvm（这类似于创建索引并将所有内容打包在一个文件中）。