python - Word2vec 模型尺寸很小，无法识别单词

Question

我使用 gensim 包在 6.4 GB 文本数据 上训练了我的 word2vec 模型，该数据使用以下代码片段进行了预处理:

def read_input(input_file):
  with open(input_file, "r") as inp:
    inp_str = inp.read()

  inp_str = inp_str.strip('\n')
  inp_str = re.sub(r'\n', ' ', inp_str)
  lowercase = inp_str.lower()
  punc = lowercase.translate(str.maketrans('', '', string.punctuation))

  return (punc.translate(str.maketrans('','','1234567890')))

def read_(input_file):
  return( gensim.utils.simple_preprocess(input_file, deacc=True, min_len=3))          

doc = read_input('../train1.txt')
documents = read_(doc)
logging.info ("Done reading data file")

但每次我训练模型时，它的大小都是 147 Kb，这似乎不对，当我尝试从训练模型生成向量时，它说:

KeyError: "word 'type' not in vocabulary"

以下是我用来训练 word2vec 模型的代码:

old_model = Word2Vec.load('../word2vec_model')
old_model.train(documents, total_examples=old_model.corpus_count, epochs=7)

old_model.save('../word2vec_model1')

logging.info ("Saved the new word2vec model")

请帮我解决这个问题。

Answer 1

尺寸偏小，可能是因为您在设置模型的参数时，您可能为min_count参数使用了较大的值。尝试减少 min_count 中的值并重新训练模型