在 keras 中使用带有 LSTM nn 的 Gensim Fasttext 模型答案

【问题标题】：Using Gensim Fasttext model with LSTM nn in keras在 keras 中使用带有 LSTM nn 的 Gensim Fasttext 模型
【发布时间】：2020-10-25 20:06:56
【问题描述】：

我已经使用 Gensim 在非常短的句子（最多 10 个单词）的语料库上训练了 fasttext 模型。我知道我的测试集包括我的训练语料库中没有的单词，即我的语料库中的一些单词就像“Oxytocin”、“Lexitocin”、“Ematrophin”、“Betaxitocin”

给定测试集中的一个新词，fasttext 可以很好地使用字符级别 n-gram 生成一个与训练集中其他相似词具有高余弦相似度的向量

如何将 fasttext 模型合并到 LSTM keras 网络中，而不会将 fasttext 模型丢失为词汇中的向量列表？因为那样的话，即使 fasttext 做得很好，我也不会处理任何 OOV。

有什么想法吗？

【问题讨论】：

标签： tensorflow keras nlp gensim word-embedding

【解决方案1】：

这里是在 LSTM Keras 网络中合并 fasttext 模型的过程

# define dummy data and precproces them

docs = ['Well done',
        'Good work',
        'Great effort',
        'nice work',
        'Excellent',
        'Weak',
        'Poor effort',
        'not good',
        'poor work',
        'Could have done better']

docs = [d.lower().split() for d in docs]

# train fasttext from gensim api

ft = FastText(size=10, window=2, min_count=1, seed=33)
ft.build_vocab(docs)
ft.train(docs, total_examples=ft.corpus_count, epochs=10)

# prepare text for keras neural network

max_len = 8

tokenizer = tf.keras.preprocessing.text.Tokenizer(lower=True)
tokenizer.fit_on_texts(docs)

sequence_docs = tokenizer.texts_to_sequences(docs)
sequence_docs = tf.keras.preprocessing.sequence.pad_sequences(sequence_docs, maxlen=max_len)

# extract fasttext learned embedding and put them in a numpy array

embedding_matrix_ft = np.random.random((len(tokenizer.word_index) + 1, ft.vector_size))

pas = 0
for word,i in tokenizer.word_index.items():
    
    try:
        embedding_matrix_ft[i] = ft.wv[word]
    except:
        pas+=1

# define a keras model and load the pretrained fasttext weights matrix

inp = Input(shape=(max_len,))
emb = Embedding(len(tokenizer.word_index) + 1, ft.vector_size, 
                weights=[embedding_matrix_ft], trainable=False)(inp)
x = LSTM(32)(emb)
out = Dense(1)(x)

model = Model(inp, out)

model.predict(sequence_docs)

如何处理看不见的文字

unseen_docs = ['asdcs work','good nxsqa zajxa']
unseen_docs = [d.lower().split() for d in unseen_docs]

sequence_unseen_docs = tokenizer.texts_to_sequences(unseen_docs)
sequence_unseen_docs = tf.keras.preprocessing.sequence.pad_sequences(sequence_unseen_docs, maxlen=max_len)

model.predict(sequence_unseen_docs)

【讨论】：