词汇空间大小模型&#39；en_core_web_sm&#39； [英] Size of vocabulary SpaCy model 'en_core_web_sm'

问题描述

我试着在Spacy Small模型中查看词汇量：

model_name="en_core_web_sm"

nlpp=spacy.load(model_name)

len(list(nlpp.vocab.strings))

它只给了我1185个单词。我还在同事的机器上试了试，得到了不同的结果(1198和1183)。

只有这么小的词汇量来训练词性标注，难道就应该是这样吗？当我在我的数据集中使用它时，我丢失了很多单词。为什么不同机器的字数不同？

谢谢！

推荐答案

词汇表是动态加载的，因此当您第一次加载词汇表时，您不会拥有StringStore中的所有单词。如果您尝试以下操作，您可以看到这一点...

>>> import spacy
>>> nlp = spacy.load('en_core_web_sm')
>>> len(nlp.vocab.strings)
1180
>>> 'lawyer' in nlp.vocab.strings
False
>> doc = nlp('I am a lawyer')
>>> 'lawyer' in nlp.vocab.strings
True
>>> len(nlp.vocab.strings)
1182

从原始文件加载词汇表可能是最简单的方法，如下所示..

>>> import json
>>> fn = '/usr/local/lib/python3.6/dist-packages/spacy/data/en/en_core_web_sm-2.0.0/vocab/strings.json'
>>> with open(fn) as f:
>>>     strings = json.load(f)
>>> len(strings)
78930

注意，上面的文件位置是针对Ubuntu 18.04的。如果您使用的是Windows，则会有一个类似的文件，但位于不同的位置。

这篇关于词汇空间大小模型&#39；en_core_web_sm&#39；的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！