en_vectors_web_lg和Glove向量（spaCy）之间的区别

Question

https://spacy.io/models/en#en_vectors_web_lg表示该模型包含1.1M个键，而https://nlp.stanford.edu/projects/glove/表示Glove向量包含2.2M个词汇。

我可以知道缺少哪些词汇吗？

非常感谢。

- hi bye

Answer 1

你可以通过查看spaCy的.vocab属性/对象并将其与GloVe文件中的单词进行比较，自己检查spaCy和GloVe模型的词汇表。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)]

然后检查集合差异，以获取“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']

缺失的单词数量超过了220万 - 110万 ~ 110万个：

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

请注意，nlp.vocab.strings和nlp.vocab.vectors之间存在差异。您可以使用向量对象从中加载单词。

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: 对于我来说，不清楚为什么vocab.strings中缺少某些键）

使用此列表，您将获得：

>>> 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：有关词汇差异的问题已在此处提出：https://github.com/explosion/spaCy/issues/1985。

- Finn Årup Nielsen