обучение модели Fasttext

Я хочу обучить модель Fasttext на Python с помощью библиотеки gensim. Во-первых, я должен токенизировать каждое предложение в его слова, тем самым преобразовывая каждое предложение в список слов. Затем этот список должен быть добавлен к окончательному списку. Поэтому в конце у меня будет вложенный список, содержащий все токенизированные предложения:

word_punctuation_tokenizer = nltk.WordPunctTokenizer()
word_tokenized_corpus = []
for line in open('sentences.txt'):
   new = line.strip()
   new = word_punctuation_tokenizer.tokenize(new)
   if len(new) != 0:
       word_tokenized_corpus.append(new)

Затем модель должна быть построена следующим образом:

embedding_size = 60
window_size = 40
min_word = 5
down_sampling = 1e-2
ft_model = FastText(word_tokenized_corpus,
                  size=embedding_size,
                  window=window_size,
                  min_count=min_word,
                  sample=down_sampling,
                  sg=1,
                  iter=100)

Однако количество предложений в word_tokenized_corpus очень велико, и программа не может с этим справиться. Возможно ли, что я обучаю модель, давая ей каждое токенизированное предложение одно за другим, например следующее:

 for line in open('sentences.txt'):
  new = line.strip()
  new = word_punctuation_tokenizer.tokenize(new)
  if len(new) != 0:
   ft_model = FastText(new,
              size=embedding_size,
              window=window_size,
              min_count=min_word,
              sample=down_sampling,
              sg=1,
              iter=100)

Имеет ли это какое-либо значение для окончательных результатов? Можно ли обучать модель без создания такого большого списка и хранения его в памяти?


python gensim fasttext
person B Noor    schedule 19.12.2020    source источник

Ответы (2)


arrow_upward
1
arrow_downward

Поскольку объем данных очень велик, текстовый файл лучше преобразовать в файл COR. Затем прочтите это следующим образом:

from gensim.test.utils import datapath
corpus_file = datapath('sentences.cor')

Что касается следующего шага:

model = FastText(size=embedding_size,
                  window=window_size,
                  min_count=min_word,
                  sample=down_sampling,
                  sg=1,
                  iter=100)
model.build_vocab(corpus_file=corpus_file)
total_words = model.corpus_total_words
model.train(corpus_file=corpus_file, total_words=total_words, epochs=5)
person B Noor    schedule 20.12.2020

arrow_upward
0
arrow_downward

Если вы хотите использовать fasttext API по умолчанию, вот как это можно сделать:

root = "path/to/all/the/texts/in/a/single/txt/files.txt"

training_param = {
    'ws': window_size,
    'minCount': min_word,
    'dim': embedding_size,
    't': down_sampling,
    'epoch': 5,
    'seed': 0
}
# for all the parameters: https://fasttext.cc/docs/en/options.html

model = fasttext.train_unsupervised(path, **training_param)
model.save_model("embeddings_300_fr.bin")

Преимущество использования fasttext API: (1) реализовано на C ++ с помощью оболочки на Python (намного быстрее, чем Gensim) (также многопоточное) (2) лучше управлять чтением текста. Также можно использовать его прямо из командной строки.

person David Beauchemin    schedule 07.02.2021