Word2Vec词汇仅产生字母和符号

Question

我是Word2Vec的新手，我正在尝试根据它们的相似性来聚类。首先，我使用nltk分隔句子，然后使用结果列表作为Word2Vec的输入。然而，当我打印词汇时，它只是一堆字母，数字和符号而不是单词。具体来说，其中一个字母的例子是“<gensim.models.keyedvectors.Vocab object at 0x00000238145AB438>，'L'：”

# imports needed and logging
import gensim
from gensim.models import word2vec
import logging

import nltk
#nltk.download('punkt')
#nltk.download('averaged_perceptron_tagger')
with open('C:\\Users\\Freddy\\Desktop\\Thesis\\Descriptions.txt','r') as f_open:
    text = f_open.read()
arr = []

sentences = nltk.sent_tokenize(text) # this gives a list of sentences

logging.basicConfig(format='%(asctime)s : %(levelname)s : %(message)s',level=logging.INFO)

model = word2vec.Word2Vec(sentences, size = 300)

print(model.wv.vocab)

Answer 1

由于tutorial和documentation类的Word2Vec表明类的构造函数需要将单词列表列表作为第一个参数（或一般的单词迭代器的迭代器）：

句子（迭代的迭代，可选） - 可迭代的句子可以只是一个令牌列表的列表，但对于更大的语料库，...

我相信在将sentences喂入Word2Vec之前你需要在每个句子上使用words_tokenize来改变关键线：

sentences = [nltk.word_tokenize(sent) for sent in nltk.sent_tokenize(text)]

TL; DR

你得到字母作为你的“单词”，因为Word2Vec将对应句子的字符串视为包含单词的迭代。迭代字符串会导致字母序列。这些字母用作模型学习的基础（而不是预期的单词）。

正如古语所说：垃圾进去 - 垃圾出来。