NLP工具——Gensim 模型及词向量文件的保存与加载

1、Gensim

官网： gensim: Topic modelling for humans
Gensim是一款开源的第三方Python工具包，用于从原始的非结构化的文本中，无监督地学习到文本隐层的主题向量表达。支持包括TF-IDF, LSA, LDA, Word2Vec在内的多种主题模型算法，支持分布式训练，提供了相似度计算、信息检索等一些常用的API接口。

上述算法是无监督的，意味着不需要人工输入，只需要一个纯文本语料库。

特点

• 内存独立性：任务时候都不需要整个训练语料库全部在RAM中（可以处理大型的WEB级语料库）
• 内存共享：经过训练的模型可以保存到硬盘并通过mmap加载回来。多个进程可以共享相同的数据，从而减少RAM占用空间。
• 包含几种流行的向量空间算法的实现，如Word2Vec, Doc2Vec, FastText, TF-IDF，潜在语义分析（LSI, LSA等），LDA等。
• 几种流程的数据格式的I/O 包装器和读取器。
• 对文档进行文本语义的相似性查询。

设计目标

• 简单的接口和API
• 内存独立性，所有中间步骤和算法以流式方式运行，一次访问一个文档。

2、保存与加载

注意区分：保存与加载模型，还是保存与加载词向量文件

• 模型的保存与加载：保留了模型训练的所有状态信息，如权重文件，二叉树和词汇频率等，加载后可以进行再/追加训练
• 词向量文件的保存与加载：丢弃了模型训练的状态信息，加载后不可以进行再/追加训练

具体的API可参考：gensim: API Reference

2.1 模型的保存与加载

保存模型

使用model.save()方法， 以该方式保存的模型可以在读取后进行再训练（追加训练），因为保存了训练的全部信息

from gensim.models import Word2Vec

# 训练Word2Vec向量