Python: gensim: RuntimeError: 在训练模型之前必须先建立词汇表答案

【问题标题】：Python: gensim: RuntimeError: you must first build vocabulary before training the modelPython: gensim: RuntimeError: 在训练模型之前必须先建立词汇表
【发布时间】：2016-03-03 13:42:00
【问题描述】：

我知道已经有人问过这个问题，但我仍然无法找到解决方案。

我想在自定义数据集上使用 gensim 的 word2vec，但现在我仍在弄清楚数据集必须采用什么格式。我查看了this post，其中输入基本上是一个列表列表（一个包含其他列表的大列表，这些列表是来自 NLTK Brown 语料库的标记化句子）。所以我认为这是我必须用于命令word2vec.Word2Vec() 的输入格式。但是，它不适用于我的小测试集，我不明白为什么。

我尝试过的：

成功了：

from gensim.models import word2vec
from nltk.corpus import brown
import logging
logging.basicConfig(format='%(asctime)s : %(levelname)s : %(message)s', level=logging.INFO)

brown_vecs = word2vec.Word2Vec(brown.sents())

这不起作用：

sentences = [ "the quick brown fox jumps over the lazy dogs","yoyoyo you go home now to sleep"]
vocab = [s.encode('utf-8').split() for s in sentences]
voc_vec = word2vec.Word2Vec(vocab)

我不明白为什么它不适用于“模拟”数据，即使它与布朗语料库中的句子具有相同的数据结构：

词汇：

[['the', 'quick', 'brown', 'fox', 'jumps', 'over', 'the', 'lazy', 'dogs'], ['yoyoyo', 'you', 'go', 'home', 'now', 'to', 'sleep']]

brown.sents()：（它的开头）

[['The', 'Fulton', 'County', 'Grand', 'Jury', 'said', 'Friday', 'an', 'investigation', 'of', "Atlanta's", 'recent', 'primary', 'election', 'produced', '``', 'no', 'evidence', "''", 'that', 'any', 'irregularities', 'took', 'place', '.'], ['The', 'jury', 'further', 'said', 'in', 'term-end', 'presentments', 'that', 'the', 'City', 'Executive', 'Committee', ',', 'which', 'had', 'over-all', 'charge', 'of', 'the', 'election', ',', '``', 'deserves', 'the', 'praise', 'and', 'thanks', 'of', 'the', 'City', 'of', 'Atlanta', "''", 'for', 'the', 'manner', 'in', 'which', 'the', 'election', 'was', 'conducted', '.'], ...]

谁能告诉我我做错了什么？

【问题讨论】：

标签： python gensim word2vec

【解决方案1】：

gensim 的 Word2Vec 的输入可以是句子列表或单词列表或句子列表。

例如

1. sentences = ['I love ice-cream', 'he loves ice-cream', 'you love ice cream']
2. words = ['i','love','ice - cream', 'like', 'ice-cream']
3. sentences = [['i love ice-cream'], ['he loves ice-cream'], ['you love ice cream']]

在训练前建立词汇

model.build_vocab(sentences, update=False)

just check out the link for detailed info

【讨论】：

【解决方案2】：

gensim 的 Word2Vec 中的默认 min_count 设置为 5。如果您的 vocab 中没有频率大于 4 的单词，您的 vocab 将为空，因此出现错误。试试

voc_vec = word2vec.Word2Vec(vocab, min_count=1)

【讨论】：

此外，如果您的数据来自迭代器，请确保它尚未被使用。
+1 来自文档：min_count：（默认 5）训练模型时要考虑的最小字数；出现次数少于此计数的单词将被忽略