Question

只是出于好奇，但是我正在调试gensim的FastText代码，以复制单词外（OOV）单词的实现，但我无法实现。因此，我要遵循的过程是用玩具语料库训练一个小模型，然后比较词汇中单词的结果向量。这意味着如果整个过程都正常，则输出数组应该相同。

这是我用于测试的代码：

from gensim.models import FastText
import numpy as np
# Default gensim's function for hashing ngrams
from gensim.models._utils_any2vec import ft_hash_bytes

# Toy corpus
sentences = [['hello', 'test', 'hello', 'greeting'],
             ['hey', 'hello', 'another', 'test']]

# Instatiate FastText gensim's class
ft = FastText(sg=1, size=5, min_count=1, \
window=2, hs=0, negative=20, \
seed=0, workers=1, bucket=100, \
min_n=3, max_n=4)

# Build vocab
ft.build_vocab(sentences)

# Fit model weights (vectors_ngram)
ft.train(sentences=sentences, total_examples=ft.corpus_count, epochs=5)

# Save model
ft.save('./ft.model')
del ft

# Load model
ft = FastText.load('./ft.model')

# Generate ngrams for test-word given min_n=3 and max_n=4
encoded_ngrams = [b"<he", b"<hel", b"hel", b"hell", b"ell", b"ello", b"llo", b"llo>", b"lo>"]
# Hash ngrams to its corresponding index, just as Gensim does
ngram_hashes = [ft_hash_bytes(n) % 100 for n in encoded_ngrams]
word_vec = np.zeros(5, dtype=np.float32)
for nh in ngram_hashes:
    word_vec += ft.wv.vectors_ngrams[nh]

# Compare both arrays
print(np.isclose(ft.wv['hello'], word_vec))

对于比较数组的每个维度，此脚本的输出均为False。

如果有人想念我或我做错了什么，那会很好。预先感谢！

Answer 1

一个完整单词的FastText单词矢量的计算不只是其字符n-gram矢量的总和，而是一个原始的完整单词矢量，也已针对词汇中的单词进行了训练。

从ft.wv[word]返回的已知单词的全单词向量已经预先计算了此组合。有关完整计算的示例，请参见adjust_vectors()方法：

https://github.com/RaRe-Technologies/gensim/blob/68ec5b8ed7f18e75e0b13689f4da53405ef3ed96/gensim/models/keyedvectors.py#L2282

原始全字向量位于.vectors_vocab对象上的model.wv数组中。

（如果这还不足以解决问题，请确保您使用的是最新的gensim，因为最近有许多FT修复程序。而且，请确保您的ngram哈希列表与ft_ngram_hashes()库的方法–否则，您的手动ngram-list-creation和后续哈希操作可能会有所不同。）

无法从其vector_ngrams复制预训练的单词向量

1 个答案: