python - 使用 fasttext 预训练词向量作为在 tensorflow 脚本中的嵌入

Question

我可以像这里那样使用 fasttext 词向量吗: https://github.com/facebookresearch/fastText/blob/master/pretrained-vectors.md在 tensorflow 脚本中作为嵌入向量而不是 word2vec 或 glove 而不使用库 fasttext

Answer 1

使用预训练词向量时，可以使用gensim库。

供您引用。 https://blog.manash.me/how-to-use-pre-trained-word-vectors-from-facebooks-fasttext-a71e6d55f27

In [1]: from gensim.models import KeyedVectors

In [2]: jp_model = KeyedVectors.load_word2vec_format('wiki.ja.vec')

In [3]: jp_model.most_similar('car')
Out[3]: 
[('cab', 0.9970724582672119),
 ('tle', 0.9969051480293274),
 ('oyc', 0.99671471118927),
 ('oyt', 0.996662974357605),
 ('車', 0.99665766954422),
 ('s', 0.9966464638710022),
 ('新車', 0.9966358542442322),
 ('hice', 0.9966053366661072),
 ('otg', 0.9965877532958984),
 ('車両', 0.9965814352035522)]

编辑

我创建了一个从 cnn-text-classification-tf 分支出来的新分支.链接在这里。 https://github.com/satojkovic/cnn-text-classification-tf/tree/use_fasttext

在这个分支中，有三个修改使用fasttext。

1. 从 fasttext 中提取 vocab 和 word_vec。 (util_fasttext.py)

model = KeyedVectors.load_word2vec_format('wiki.en.vec')
vocab = model.vocab
embeddings = np.array([model.word_vec(k) for k in vocab.keys()])

with open('fasttext_vocab_en.dat', 'wb') as fw:
    pickle.dump(vocab, fw, protocol=pickle.HIGHEST_PROTOCOL)
np.save('fasttext_embedding_en.npy', embeddings)

1. 嵌入层

   W被零初始化，然后设置一个embedding_placeholder来接收word_vec，最后W被赋值。 (text_cnn.py)

W_ = tf.Variable(
    tf.constant(0.0, shape=[vocab_size, embedding_size]),
    trainable=False,
    name='W')

self.embedding_placeholder = tf.placeholder(
    tf.float32, [vocab_size, embedding_size],
    name='pre_trained')

W = tf.assign(W_, self.embedding_placeholder)

1. 使用vocab和word_vec

   vocab 用于构建 word-id 映射，word_vec 被送入 embedding_placeholder。

with open('fasttext_vocab_en.dat', 'rb') as fr:
    vocab = pickle.load(fr)
embedding = np.load('fasttext_embedding_en.npy')

pretrain = vocab_processor.fit(vocab.keys())
x = np.array(list(vocab_processor.transform(x_text)))

feed_dict = {
    cnn.input_x: x_batch,
    cnn.input_y: y_batch,
    cnn.dropout_keep_prob: FLAGS.dropout_keep_prob,
    cnn.embedding_placeholder: embedding
}

请尝试一下。