Word2Vec模型增量训练

最新推荐文章于 2024-09-18 11:32:45 发布

Xiaozhu_a

最新推荐文章于 2024-09-18 11:32:45 发布

阅读量1.3w

点赞数 10

分类专栏： NLP 文章标签： word2vex NLP

本文链接：https://blog.csdn.net/qq_43404784/article/details/83794296

版权

当已有word2vec模型后，新的大量语料流入，增量训练成为高效解决方案。本文探讨word2vec模型的增量训练方法，并介绍gensim库中word2vec的API使用，包括模型训练、保存、加载及相似度计算等操作。

摘要由CSDN通过智能技术生成

一、问题由来

word2vec的本质是一个神经网络语言模型，基于语言模型进行分布式词向量的训练。它需要大量的语料进行训练，从而找到词与词之间的关系，但是当我们已经训练好了一个word2vec模型之后，数据库中又新流动进来了很多语料，我们应该在怎么办呢？我们不可能又基于所有语料重新训练一遍（当语料过大时，太耗费时间了），这时候，增量训练就派上了用场。

二、word2vec模型的增量训练

import jieba
import re
import pandas as pd
from gensim.models.word2vec import Word2Vec


class TrainWord2Vec:
    """
    训练得到一个Word2Vec模型
    @author:xiaozhu
    @time:2018年10月12日
    """
    def __init__(self, data, stopword, num_features=100, min_word_count=1, context=4, incremental=False,
                 old_path):
        """
        定义变量
        :param data: 用于训练胡语料
        :param stopword: 停用词表
        :param num_features:  返回的向量长度
        :param min_word_count:  最低词频
        :param context: 滑动窗口大小
        :param incremental: 是否进行增量训练
        :param old_path: 若进行增量训练，原始模型路径
        """
        self.data = data
        self.stopword = stopword
        self.num_features = num_features
        self.min_word_count = min_word_count
        self.context = context
        self.incremental = incremental
        self