Question

我正在用自己的语料库训练GloVe模型，但是我很难以utf-8格式保存/加载它。

这是我尝试过的：

from glove import Corpus, Glove

#data
lines = [['woman', 'umbrella', 'silhouetted'], ['person', 'black', 'umbrella']]

#GloVe training
corpus = Corpus() 
corpus.fit(lines, window=4)
glove = Glove(no_components=4, learning_rate=0.1)
glove.fit(corpus.matrix, epochs=10, no_threads=8, verbose=True)
glove.add_dictionary(corpus.dictionary)
glove.save('glove.model.txt')

已保存的文件glove.model.txt无法读取，我无法成功使用utf-8编码进行保存。

当我尝试阅读它时，例如，将其转换为Word2Vec格式：

from gensim.models.keyedvectors import KeyedVectors
from gensim.scripts.glove2word2vec import glove2word2vec
glove2word2vec(glove_input_file="glove.model.txt", 
word2vec_output_file="gensim_glove_vectors.txt")    

model = KeyedVectors.load_word2vec_format("gensim_glove_vectors.txt", binary=False)

我遇到以下错误：

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

关于如何使用自己的GloVe模型的任何想法？

Answer 1

我刚刚发现自己可以使用utf-8格式保存数据，如果有人遇到相同的问题，我在这里共享它

请尝试自己模拟手套记录，而不是使用手套节省方法glove.save('glove.model.txt')：

with open("results_glove.txt", "w") as f:
    for word in glove.dictionary:
        f.write(word)
        f.write(" ")
        for i in range(0, vector_size):
            f.write(str(glove.word_vectors[glove.dictionary[word]][i]))
            f.write(" ")
        f.write("\n")

然后您将能够阅读它。

训练自己的手套模型时出现编码问题

1 个答案: