Skip to content

Latest commit

 

History

History
66 lines (54 loc) · 4.69 KB

README.md

File metadata and controls

66 lines (54 loc) · 4.69 KB
Raw

ChineseWordVectors

搜集、整理、发布 预训练 中文 词向量/字向量，与 有志之士 共同 促进 中文 自然语言处理 的 发展。

使用说明

  1. 所有 词向量/字向量 均 采用 bcolz 格式存储，如果还未安装 bcolz，请先通过 pip install bcolz 或 conda install bcolz 安装
  2. 下载相应的 词向量/字向量 zip 压缩包（如 zh.64.zip），并解压到相应的目录中（如 zh.64），解压后的目录中（如 zh.64）应包含 2 个子目录 embeddings 和 words，分别存储 嵌入向量 和 词（字）典。
  3. 参考下面的 Python 代码（兼容 Python 3 和 2），加载 词向量/字向量
import bcolz

def load_embeddings(folder_path):
    """从 bcolz 加载 词/字 向量

    Args:
        - folder_path (str): 解压后的 bcolz rootdir（如 zh.64），
                             里面包含 2 个子目录 embeddings 和 words，
                             分别存储 嵌入向量 和 词（字）典

    Returns:
        - words (bcolz.carray): 词（字）典列表（bcolz carray  具有和 numpy array 类似的接口）
        - embeddings (bcolz.carray): 嵌入矩阵，每 1 行为 1 个 词向量/字向量，
                                     其行号即为该 词（字） 在 words 中的索引编号
    """
    folder_path = folder_path.rstrip('/')
    words = bcolz.carray(rootdir='%s/words'%folder_path, mode='r')
    embeddings = bcolz.carray(rootdir='%s/embeddings'%folder_path, mode='r')
    return words, embeddings

folder_path = '解压后_词向量_字向量_所在_文件夹_路径'
words, embeddings = load_embeddings(folder_path)

下载链接

百度网盘

类型、维度、词（字）典

名称 类型 维度 词汇总数 中文 英文 数字 其他 语料
facebook_cc 词 300 200w 156w 27w 13w 3.3w Common Crawl
Wikipedia
facebook_wiki 词 300 33w 14w 17w 0 1.6w Wikipedia
sjl_weixin 词 256 35w 25w 6w 2w 0.3w 800 万微信公众号文章
总词数达 650 亿
polyglot_wiki 词 64 10w 6w 3w 0 0.2w Wikipedia
polyglot_wiki 字 64 10w 1.2w 7.8w 0 0.9w Wikipedia
novel_baidubaike_news 词 64 611w 611w 0 0 0 小说 90G 左右
百度百科 800w+ 条, 20G+
搜狐新闻 400w+ 条, 12G+

简繁、全/半角、大小写、特殊符号

名称 简体 繁体 全角 半角 大写 小写 数字 特殊符号
facebook_cc ✔ ✔ ✔ ✔ ✔ ✔ ✔ 句末 </s>
facebook_wiki ✔ ✔ ✔ ✔ ✘ ✔ ✘ 句末 </s>
sjl_weixin ✔ ✔ ✔ ✔ ✔ ✔ ✔ 换行 \n
polyglot_wiki ✔ ✔ ✔ ✔ ✔ ✔ ✘ 未知 <UNK>, 句首 <S>, 句末 </S>, 补全 <PAD>
polyglot_wiki ✔ ✔ ✔ ✔ ✔ ✔ ✘ 未知 <UNK>, 句首 <S>, 句末 </S>, 补全 <PAD>
novel_baidubaike_news ✔ ✘ ✘ ✘ ✘ ✘ ✘

作者、语料、（分词及训练）工具 以及 训练参数

名称 作者 分词工具 训练工具 训练参数
facebook_cc Facebook Stanford word segmenter fastText CBOW with position-weights, character n-grams of length 5
window of size 5 and 10 negatives
facebook_wiki Facebook fastText 论文 Enriching Word Vectors with Subword Information 中的默认设置
sjl_weixin 苏剑林 Jieba Gensim Skip-Gram, Huffman Softmax, 窗口大小 10, 最小词频 64, 迭代 10 次
polyglot_wiki Polyglot word2embeddings
polyglot2
novel_baidubaike_news dada Jieba Gensim window=5, min_count=5, 其他为 Word2Vec 默认参数