pandas - 通过排除某些词汇更快地加载 fasttext 模型

Question

在本地计算机上加载 Facebook Research 发布的预训练快速文本词向量需要很长时间，我喜欢这样:

model =  fs.load_word2vec_format('wiki.en.vec') 
print(model['test']) # get the vector of the word 'test'

我正在寻求通过删除数据集中未出现的单词的词向量来减少加载时间。 IE。我想将预训练向量模型简化为构成我需要分析的数据集的单词，这是预训练模型的子集。

我打算尝试通过提取所需的词向量并保存到新模型来构建新模型，但类型将从 FastTextKeyedVectors 更改为 FastText:

#model2 = gensim.models.Word2Vec(iter=1)
#model2 = FastText()
for word in words:
    if (word in model):
       model2[] = model[word]

如何减少加载时间？我的方法有意义还是我走错了路？

Answer 1

如果可以迭代 .vec 格式，这将是消除不需要的单词的最快方法。要了解这一点，您应该查看数据库的结构。如果它是接近 xml 格式的东西，那应该是可行的，并且如何在 python 中迭代 xml 文件已被广泛记录。

但是，关于您的方法，假设您刚刚以字典的形式将整个模型加载到RAM中，只是一个快速提示，请使用理解语法:

model={model[word] for word in model if word in mywords}

其中 mywords 是您要保留的单词列表。