Я использую предварительно обученный набор данных новостей Google для получения векторов слов с помощью библиотеки Gensim в python.
model = Word2Vec.load_word2vec_format('GoogleNews-vectors-negative300.bin', binary=True)
После загрузки модели я конвертирую слова предложений обучающих обзоров в векторы
#reading all sentences from training file
with open('restaurantSentences', 'r') as infile:
x_train = infile.readlines()
#cleaning sentences
x_train = [review_to_wordlist(review,remove_stopwords=True) for review in x_train]
train_vecs = np.concatenate([buildWordVector(z, n_dim) for z in x_train])
В процессе word2Vec я получаю много ошибок для слов в моем корпусе, которых нет в модели. Проблема в том, как я могу переобучить уже предварительно обученную модель (например, GoogleNews-vectors-negative300.bin '), чтобы получить векторы слов для этих пропущенных слов.
Вот что я пробовал: Обучил новую модель на основе тренировочных предложений, которые у меня были.
# Set values for various parameters
num_features = 300 # Word vector dimensionality
min_word_count = 10 # Minimum word count
num_workers = 4 # Number of threads to run in parallel
context = 10 # Context window size
downsampling = 1e-3 # Downsample setting for frequent words
sentences = gensim.models.word2vec.LineSentence("restaurantSentences")
# Initialize and train the model (this will take some time)
print "Training model..."
model = gensim.models.Word2Vec(sentences, workers=num_workers,size=num_features, min_count = min_word_count,
window = context, sample = downsampling)
model.build_vocab(sentences)
model.train(sentences)
model.n_similarity(["food"], ["rice"])
Это сработало! но проблема в том, что у меня действительно небольшой набор данных и меньше ресурсов для обучения большой модели.
Второй способ, который я рассматриваю, - это расширить уже обученную модель, такую как GoogleNews-vectors-negative300.bin.
model = Word2Vec.load_word2vec_format('GoogleNews-vectors-negative300.bin', binary=True)
sentences = gensim.models.word2vec.LineSentence("restaurantSentences")
model.train(sentences)
Возможно ли это, и это хороший способ использования, пожалуйста, помогите мне