埋首於自然語言處理 (NLP) 工作的人們，想必都對 Glove 和 Gensim 不陌生。
Glove (Global Vectors for Word Representation)，一個由 Stanford NLP Group 所發表的一篇論文、同時也是開放出來的一個 Pre-trained 詞嵌入模型。現在網路上常看到的大家討論的 Glove，多半就是指這一個開源的預訓練模型。
Gensim 則是 Google 於 2013 提出的 Word2Vec 論文的 Python 實現，讓我們可以很方便地透過該套件，使用自己的語料訓練 Word Vector 模型。
那麼接下來，就要進入今天這篇文章的主題了：我們該如何在 Python 中使用 Glove 呢？從官網載下來的 Glove 是無法被 Gensim 直接讀取的。
這時候，我們可以透過 Gensim 內建的函式進行轉換。以下就一步步地紀錄該如何轉換 Glove 模型成 Gensim 可以讀取的格式。
使用 Gensim 轉換 Glove 模型
首先，我們需要下載 Glove。可以透過這個網頁下載：https://nlp.stanford.edu/projects/glove/
或者直接透過以下指令下載：
wget http://nlp.stanford.edu/data/glove.6B.zip
unzip glove.6B.zip
rm glove.6B.zip下載結束之後，會看到資料夾底下有數個不同維度的 glove 模型。
那麼，我們若要轉換這些 Glove 模型，我們可以使用以下程式轉換 (若是環境中沒有 gensim，請先使用 pip3 install gensim 安裝)：
# coding: utf-8 from gensim.models import KeyedVectors from gensim.scripts.glove2word2vec import glove2word2vec # Convert input_file = 'glove.6B.300d.txt' output_file = 'gensim_glove.6B.300d.txt' glove2word2vec(input_file, output_file) # Test Glove model model = KeyedVectors.load_word2vec_format(output_file, binary=False) word = 'cat' print(word) print('Most similar:\n{}'.format(model.most_similar(word)))
Output:
cat
Most similar:
[('dog', 0.6816747188568115),
('cats', 0.6815836429595947),
('pet', 0.5870364904403687),
('dogs', 0.540766716003418),
('feline', 0.48979705572128296),
('monkey', 0.48794347047805786),
('horse', 0.4732130467891693),
('pets', 0.4634858965873718),
('rabbit', 0.4608757495880127),
('leopard', 0.4585462808609009)]可以看到，原先的 Glove 模型已經可以正常被 Gensim 所讀取了。為了測試，還印出了與 cat 在向量上最相近的幾個詞彙。
References
- https://www.aclweb.org/anthology/D14-1162/
- https://nlp.stanford.edu/projects/glove/
- https://code.google.com/archive/p/word2vec/