1 问题
通过以下代码,实现加载word2vec词向量,每次加载都是几分钟,效率特别低。
python
from gensim.models import Word2Vec,KeyedVectors
# 读取中文词向量模型(需要提前下载对应的词向量模型文件)
word2vec_model = KeyedVectors.load_word2vec_format('hy-tmp/word2vec.bz2', binary=False)
2 解决方案
(1)方案一
第一次加载后保存为能够快速加载的文件,第二次加载就能快读读取。
python
file_path = "word2vec/train_bio_word"
if os.path.exists(file_path):
word2vec_model = KeyedVectors.load(file_path,mmap='r')
else:
# 读取中文词向量模型(需要提前下载对应的词向量模型文件)
word2vec_model = KeyedVectors.load_word2vec_format('hy-tmp/word2vec.bz2', binary=False)
word2vec_model.init_sims(replace=True)
word2vec_model.save(file_path)
(2)方案二
第一次加载后,只将使用到的词向量以表格的形式保存到本地,第二次读取就不需要加载全部word2vec的,只加载表格中的词向量。
python
file_path = "word2vec/train_vocabulary_vector.csv"
if os.path.exists(file_path):
# 读取词汇-向量字典,csv转字典
vocabulary_vector = dict(pd.read_csv(file_path))
# 此时需要将字典中的词向量np.array型数据还原为原始类型,方便以后使用
for key,value in vocabulary_vector.items():
vocabulary_vector[key] = np.array(value)
else:
# 所有文本构建词汇表,words_cut 为分词后的list,每个元素为以空格分隔的str.
vocabulary = list(set([word for item in text_data1 for word in item]))
# 构建词汇-向量字典
vocabulary_vector = {}
for word in vocabulary:
if word in word2vec_model:
vocabulary_vector[word] = word2vec_model[word]
# 储存词汇-向量字典,由于json文件不能很好的保存numpy词向量,故使用csv保存
pd.DataFrame(vocabulary_vector).to_csv(file_path)
(3)方案三
不使用word2vec的原训练权重,使用Embedding工具库。自动下载权重文件后,高效使用。
参考:https://github.com/vzhong/embeddings
安装库
text
pip install embeddings # from pypi
pip install git+https://github.com/vzhong/embeddings.git # from github
python
from embeddings import GloveEmbedding, FastTextEmbedding, KazumaCharEmbedding, ConcatEmbedding
g = GloveEmbedding('common_crawl_840', d_emb=300, show_progress=True)
f = FastTextEmbedding()
k = KazumaCharEmbedding()
c = ConcatEmbedding([g, f, k])
for w in ['canada', 'vancouver', 'toronto']:
print('embedding {}'.format(w))
print(g.emb(w))
print(f.emb(w))
print(k.emb(w))
print(c.emb(w))