python-3.x - 单词不在词汇表中

标签 python-3.x word2vec

第一次使用 word2vec,我正在处理的文件是 XML 格式。我想遍历专利以找到每个标题,然后应用 word2vec 查看是否有相似的词(以指示相似的标题)。

到目前为止,我已经使用元素树解析了 XML 文件以检索每个标题,然后我应用了 sent_tokenizer,然后是 tweet tokenizer 以返回一个句子列表,其中每个单词已被标记化(不确定这是否是最好的方法)。然后,我将标记化的句子放入我的 word2vec 模型中,并用一个词进行测试,看它是否返回了一个向量。这似乎只适用于第一句话中的一个词。我不确定它能识别所有句子吗?

    import numpy as np
    import pandas as pd
    import gensim
    import nltk
    import xml.etree.ElementTree as ET
    from gensim.models.word2vec import Word2Vec
    from nltk.tokenize import word_tokenize
    from nltk.tokenize import sent_tokenize
    from nltk.corpus import stopwords
    from nltk.tokenize import TweetTokenizer, sent_tokenize

    tree = ET.parse('6785.xml')
    root = tree.getroot()

    for child in root.iter("Title"):
        Patent_Title = child.text
        sentence = Patent_Title
        stopWords = set(stopwords.words('english'))
        tokens = nltk.sent_tokenize(sentence)
        print(tokens)

        tokenizer_words = TweetTokenizer()
        tokens_sentences = [tokenizer_words.tokenize(t) for t in tokens]
        #print(tokens_sentences)

        model = gensim.models.Word2Vec(tokens_sentences, min_count=1,size=32)
        words = list(model.wv.vocab)
        print(words)
        print(model['Solar'])

我希望它能够识别句子中的“太阳能”一词并打印出向量,然后我可以寻找相似的词。我收到了错误:

词汇中没有“太阳能”这个词"

最佳答案

仅在第一次循环发生时将错误作为异常处理。

# print(model['Solar'])
try:
    print(model['Solar'])
except Exception as e:
    pass

工作代码:

import numpy as np
import pandas as pd
import gensim
import nltk
import xml.etree.ElementTree as ET
from gensim.models.word2vec import Word2Vec
from nltk.tokenize import word_tokenize
from nltk.tokenize import sent_tokenize
from nltk.corpus import stopwords
from nltk.tokenize import TweetTokenizer, sent_tokenize

tree = ET.parse('6785.xml')
root = tree.getroot()

for child in root.iter("Title"):
    Patent_Title = child.text
    sentence = Patent_Title
    stopWords = set(stopwords.words('english'))
    tokens = nltk.sent_tokenize(sentence)
    print(tokens)

    tokenizer_words = TweetTokenizer()
    tokens_sentences = [tokenizer_words.tokenize(t) for t in tokens]
    #print(tokens_sentences)

    model = gensim.models.Word2Vec(tokens_sentences, min_count=1,size=32)
    words = list(model.wv.vocab)
    print(words)
    try:
        print(model['Solar'])
    except Exception as e:
        pass

关于python-3.x - 单词不在词汇表中,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/56524948/

相关文章:

machine-learning - 小模型来自Google新闻Word2Vec模型

python - 如何使用 gensim 的 word2vec 模型与 python 计算句子相似度

word2vec - 将句子转换为嵌入表示

python - 如何在Python中随机打印列表中的元素?

python - PyQt5 - 传递的引用为 None

python - 如何在 Gensim 中获取上下文单词列表

word2vec - 如何从 ft_word2vec (sparklyr-package) 获取词嵌入矩阵?

python - 在 python 3.x 中使用正则表达式抓取字符串的一部分

python-3.x - concat 后的 groupby,组中缺少的列均值

python - 如何在Python中解码这种奇怪的编码?