如何使用 gensim load_word2vec_format 加载预训练的手套模型？

问题描述

我正在尝试在 gensim 中加载一个预训练的手套作为 word2vec 模型。我已经从 here 下载了手套文件。我正在使用以下脚本：

from gensim import models
model = models.KeyedVectors.load_word2vec_format('glove.6B.300d.txt',binary=True)

但得到以下错误

ValueError                                Traceback (most recent call last)
<ipython-input-38-e0b48b51f433> in <module>()
      1 from gensim import models
----> 2 model = models.KeyedVectors.load_word2vec_format('glove.6B.300d.txt',binary=True)

2 frames
/usr/local/lib/python3.6/dist-packages/gensim/models/utils_any2vec.py in <genexpr>(.0)
    171     with utils.smart_open(fname) as fin:
    172         header = utils.to_unicode(fin.readline(),encoding=encoding)
--> 173         vocab_size,vector_size = (int(x) for x in header.split())  # throws for invalid file format
    174         if limit:
    175             vocab_size = min(vocab_size,limit)

ValueError: invalid literal for int() with base 10: 'the'

根本问题是什么？ gensim 是否需要特定格式才能加载它？

解决方法

GLoVe 格式与 load_word2vec_format() 支持的格式略有不同——缺少向量计数和维度的第一行声明。

包含一个 glove2word2vec 实用程序脚本，您可以运行一次来转换文件：

https://radimrehurek.com/gensim/scripts/glove2word2vec.html

此外，从 Gensim 4.0.0（目前处于预发布测试阶段）开始，load_word2vec_format() 方法获得了一个新的可选 no_header 参数：

https://radimrehurek.com/gensim/models/keyedvectors.html?highlight=load_word2vec_format#gensim.models.keyedvectors.KeyedVectors.load_word2vec_format

如果设置为 no_header=True，该方法将从文件的初步扫描中推断出计数/维度 - 因此它可以使用该选项读取 GLoVe 文件 - 但代价是读取两次完整文件其中之一。（因此，您可能仍希望使用 .save_word2vec_format() 重新保存对象，或使用 glove2word2vec 脚本，以加快未来的加载速度。）

gensim stanford-nlp word-embedding word2vec