问题描述
我想以一种增强的方式来训练以前训练过的word2vec模型，如果在先前的训练过程中已经看到过该单词，则更新该单词的权重，并创建和更新在以前的培训过程。例如：
from gensim.models import Word2Vec
# old corpus
corpus = [["0","1","2","3"],["2","3","1"]]
# first train on old corpus
model = Word2Vec(sentences=corpus,size=2,min_count=0,window=2)
# checkout the embedding weights for word "1"
print(model["1"])
# here comes a new corpus with new word "4" and "5"
newCorpus = [["4",["1","5","2"]]
# update the prevIoUs trained model
model.build_vocab(newCorpus,update=True)
model.train(newCorpus,total_examples=model.corpus_count,epochs=1)
# check if new word has embedding weights:
print(model["4"]) # yes
# check if prevIoUs word's embedding weights are updated
print(model["1"]) # output the same as before
即使新单词中的前一个单词的上下文已经改变，似乎前一个单词的嵌入也没有更新。有人可以告诉我如何更新以前的嵌入权重吗？
解决方法
原始问题的答案
尝试在打印之前和之后将它们打印出来（或什至只是几个主要尺寸，例如print(model['1'][:5])），以查看它们是否已更改。
或者在开始时，preEmbed是值的正确副本（例如：preEmbed = model['1'].copy()）。
我认为您会看到这些值确实发生了变化。
您当前的preEmbed变量只是对与基础数组一起更改的数组的 view ，因此将始终返回True s以便以后检查。 / p>
查看Numpy Copies & Views上的文章将有助于解释更多示例的情况。
回答更新的代码
在随后的单周期训练中，很可能'1'的所有示例都将通过sample下采样功能被跳过，因为'1'在您的小圈子中是一个非常常见的词语料库：占所有单词的28.6％。 （在现实的自然语言语料库中，最常用的词不会超过所有词的百分之几。）
我怀疑如果您用sample=0禁用了此下采样功能，则会看到预期的更改。
（请注意，此功能对于获得足够的训练数据确实很有帮助，并且更一般而言，关于Word2Vec和相关算法的许多事情，尤其是其核心优势，需要大量的多样化数据，因此无法使用大小，或以玩具大小的数据集以预期的方式表现。）
还请注意：您的第二个.train()应该为newCorpus使用一个明确准确的计数。 （在提供额外数据时，使用total_examples=model.corpus_count重用缓存的语料库计数可能并不总是合适的，即使在这里行之有效。）
需要注意的另一件事：一旦开始对.most_similar()之类的更复杂的操作使用模型，它将为某些向量间的比较而缓存一些计算出的数据，而该数据将不会总是（至少通过gensim-3.8.3）进行了更多培训。因此，您可能必须舍弃该数据（在gensim-3.8.3中的model.wv.vectors_norm = None中），以确保获得新的单位归一向量或新的most_similar()（及相关方法）结果。>