我用结巴分词后用 gensim 训练得到词向量，训练模型时但是会报"word '无鞍' not in vocabulary" "word '无鞍' not in vocabulary" "word '无鞍' not in vocabulary" "word '拍张' not in vocabulary" "word '拍张' not in vocabulary" 这样的错误，求助
推荐学习书目
› Learn Python the Hard Way
Python Sites
› PyPI - Python Package Index
› http://diveintopython.org/toc/index.html
› Pocoo
值得关注的项目
› PyPy
› Celery
› Jinja2
› Read the Docs
› gevent
› pyenv
› virtualenv
› Stackless Python
› Beautiful Soup
› 结巴中文分词
› Green Unicorn
› Sentry
› Shovel
› Pyflakes
› pytest
Python 编程
› pep8 Checker
Styles
› PEP 8
› Google Python Style Guide
› Code Style from The Hitchhiker's Guide
This topic created in 3110 days ago, the information mentioned may be changed or developed.
12 replies • 2017-12-12 21:36:14 +08:00
 |
1
kaiju Dec 11, 2017
首先确定你想找的词在真的出现过 （你确定分词会分出来“无鞍”这种词？）
其次 word2vec 会自动忽略出现过 n 次以下的词，n 好像等于 5 （“无鞍”这种词即使出现过，次数应该也很少） |
 |
2
rock_cloud Dec 12, 2017
同意楼上所说，另外 Python 的话，注意编码问题。
|
 |
3
hadoop Dec 12, 2017 via Android
有个按词频低于多少就丢弃的参数
|
 |
4
sadscv Dec 12, 2017 via Android
你在分词之后转成 w2v 之前先对数据做一道预处理，如果是出现 out of vocabulary 你就直接生成一个同样尺寸的随机词向量。
如果在训练 w2v 的语料已经经过预处理，其中包括一个特殊的 UNK 单词，那你直接用 UNK 的向量来表示当前 OOV 的词也可以。 |
 |
5
UN2758 OP @kaiju min_count wo 我设置的是 5，但是不在词表中的词出现 oov 提示了 67 次的也有，无鞍这词是 jieba 自己分出来的，我也很无语
|
|
6
UN2758 OP @rock_cloud 统一是 utf-8，在 ubuntu 上搞的，应该没有编码问题，但是"." "," "000" " "这样的也会提示 oov
|
|
9
sadscv Dec 12, 2017
@UN2758 UNK 就是指某个单词是未登录词，比如你预处理时，把所有低于５词频的单词替换成一个特殊标识'UNK'，那么所有的罕见词在训练时就会被当作是同一个词来训练。当出现 oov 时，用这个特殊的未登录词向量来表示该词。
当然以上仅是一种简单粗暴的作法，与全随机或全０向量并无本质区别... |
 |
11
zix Dec 12, 2017
@UN2758 jieba 自己的词典不会失效。jieba 里面有新词发现功能，用的 HMM，默认是开启的，所以会去产生一些奇怪的结果出来，你可以把这个选项关掉，不过这样如果有词没有出现在词表里，就会分成一个一个字。
``` text = "blablabla..." jieba.lcut(text, HMM=True) # 默认行为 jieba.lcut(text, HMM=False) # 关闭 HMM ``` |
 |
12
searene Dec 12, 2017
很有可能是编码的问题
|
Select Language