en_vectors_web_lg 和 Glove 向量之间的差异 (spaCy)

Question

https://spacy.io/models/en#en_vectors_web_lg 表示该模型包含 1.1m 个密钥，但 https://nlp.stanford.edu/projects/glove/ 表示 Glove 向量包含 220 万个词汇

我可以知道缺少哪些词汇吗？

非常感谢。

Answer 1

您可以通过查看 spaCy .vocab 属性/对象自己检查 spaCy 和 GloVe 模型的词汇表，并将其与 GloVe 文件中的单词进行比较。首先将数据加载到两个列表中：

import spacy
nlp = spacy.load('en_vectors_web_lg')
spacy_words = [word for word in nlp.vocab.strings]
glove_filename = 'glove.840B.300d.txt'
glove_words = [line.split()[0].decode('utf-8') for line in open(glove_filename)]

然后检查设置的差异以获得“缺失”的单词：

>>> list(set(glove_words) - set(spacy_words))[:10]
[u'Inculcation', u'Dholes', u'6-night', u'AscensionMidkemia',
 u'.90.99', u'USAMol', u'USAMon', u'Connerty', u'RealLife',
 u'NaughtyAllie']

>>> list(set(spacy_words) - set(glove_words))[:10]
[u'ftdna', u'verplank', u'NICARIO', u'Plastic-Treated', u'ZAI-TECH',
 u'Lower-Sulfur', u'desmonds', u'KUDNER', u'berlinghoff', u'50-ACRE']

有超过 2.2 mio - 1.1 mio ~ 1.1 mio 单词丢失：

>>> len(set(glove_words) - set(spacy_words))
1528158

请注意nlp.vocab.strings 和nlp.vocab.vectors 中的内容有所不同。您可以使用

从矢量对象加载单词

vector_words = []
for key, vector in nlp.vocab.vectors.items():
    try:
        vector_words.append(nlp.vocab.strings[key])
    except KeyError:
        pass

（关于 try/except：我不清楚为什么vocab.strings 中缺少某些键）

通过此列表，您可以获得：

>>> list(set(glove_words) - set(vector_words))[:10]
[u'Inculcation', u'Dholes', u'6-night', u'AscensionMidkemia', u'.90.99',  
 u'USAMol', u'USAMon', u'Connerty', u'RealLife', u'NaughtyAllie']

更新：词汇之间的差异问题已经在这里提出https://github.com/explosion/spaCy/issues/1985。