machine-learning - SpaCy模型的词汇量大小 'en_core_web_sm'

Question

我试图在SpaCy小模型中查看词汇量:

model_name="en_core_web_sm"

nlpp=spacy.load(model_name)

len(list(nlpp.vocab.strings))

只给了我 1185 个单词。我还在同事的机器上进行了尝试，并给出了不同的结果(1198 和 1183)。

难道只有这么小的词汇量来训练词性标注吗？当我在数据集中使用它时，我丢失了很多单词。为什么不同机器的字数不同？

谢谢!

Answer 1

词汇表是动态加载的，因此当您第一次加载词汇表时，StringStore 中并没有所有单词。如果您尝试以下操作，您可以看到这一点...

>>> import spacy
>>> nlp = spacy.load('en_core_web_sm')
>>> len(nlp.vocab.strings)
1180
>>> 'lawyer' in nlp.vocab.strings
False
>> doc = nlp('I am a lawyer')
>>> 'lawyer' in nlp.vocab.strings
True
>>> len(nlp.vocab.strings)
1182

像这样从原始文件中加载词汇表可能是最简单的..

>>> import json
>>> fn = '/usr/local/lib/python3.6/dist-packages/spacy/data/en/en_core_web_sm-2.0.0/vocab/strings.json'
>>> with open(fn) as f:
>>>     strings = json.load(f)
>>> len(strings)
78930

请注意，上述文件位置适用于 Ubuntu 18.04。如果您使用的是 Windows，则会有一个类似的文件，但位于不同的位置。