加载 word2vec 时出现 UnicodeDecodeError 错误

详细描述

我开始使用词嵌入，并发现了大量有关它的信息。到目前为止，我知道我可以训练自己的词向量或使用以前训练过的词向量，例如 Google 或 Wikipedia 的词向量，这些向量可用于英语，但对我来说没有用，因为我正在处理以下语言中的文本巴西葡萄牙语。因此，我继续寻找葡萄牙语中预先训练的词向量，最终发现Hirosan 的预训练词嵌入列表 http://ahogrammer.com/2017/01/20/the-list-of-pretrained-word-embeddings/这把我带到了Kyubyong的词向量 https://github.com/Kyubyong/wordvectors从中我了解到 Rami Al-Rfou 的Polyglot https://sites.google.com/site/rmyeid/projects/polyglot。下载完两者后，我一直试图简单地加载词向量，但没有成功。

简短的介绍

我无法加载预先训练的词向量；我在尝试词向量 https://github.com/Kyubyong/wordvectors and Polyglot https://sites.google.com/site/rmyeid/projects/polyglot.

下载

• Kyubyong 的预训练 word2vector 格式葡萄牙语单词向量 https://drive.google.com/open?id=0B0ZXk88koS2KRDcwcV9IVWFTeUE;
• Polyglot 的葡萄牙语预训练词向量 https://doc-0g-54-docs.googleusercontent.com/docs/securesc/ha0ro937gcuc7l7deffksulhg5h7mbp1/c1ch6rdnp89glqmi8g81ev2somslu7cs/1527537600000/10341224892851088318/*/0B5lWReQPSvmGNEh0VTdmSHlHZ1k?e=download;

加载尝试

奎平的词向量 https://github.com/Kyubyong/wordvectors第一次尝试：按照建议使用 GensimHirosan http://ahogrammer.com/2017/01/20/the-list-of-pretrained-word-embeddings/;

from gensim.models import KeyedVectors
kyu_path = '.../pre-trained_word_vectors/kyubyong_pt/pt.bin'
word_vectors = KeyedVectors.load_word2vec_format(kyu_path, binary=True)

并返回错误：

[...]
File "/Users/luisflavio/anaconda3/lib/python3.6/site-packages/gensim/utils.py", line 359, in any2unicode
return unicode(text, encoding, errors=errors)

UnicodeDecodeError: 'utf-8' codec can't decode byte 0x80 in position 0: invalid start byte

下载的 zip 还包含其他文件，但它们都返回类似的错误。

Polyglot https://sites.google.com/site/rmyeid/projects/polyglot第一次尝试：以下艾尔福斯的指示 http://nbviewer.jupyter.org/gist/aboSamoor/6046170;

import pickle
import numpy
pol_path = '.../pre-trained_word_vectors/polyglot/polyglot-pt.pkl'
words, embeddings = pickle.load(open(pol_path, 'rb'))

并返回错误：

File "/Users/luisflavio/Desktop/Python/w2v_loading_tries.py", line 14, in <module>
    words, embeddings = pickle.load(open(polyglot_path, "rb"))

UnicodeDecodeError: 'ascii' codec can't decode byte 0xd4 in position 1: ordinal not in range(128)

第二次尝试：使用Polyglot 的词嵌入加载函数 https://polyglot.readthedocs.io/en/latest/Embeddings.html;

首先，我们必须通过 pip 安装多语言：

pip install polyglot

现在我们可以导入它：

from polyglot.mapping import Embedding
pol_path = '.../pre-trained_word_vectors/polyglot/polyglot-pt.pkl'
embeddings = Embedding.load(polyglot_path)

并返回错误：

File "/Users/luisflavio/anaconda3/lib/python3.6/codecs.py", line 321, in decode
(result, consumed) = self._buffer_decode(data, self.errors, final)

UnicodeDecodeError: 'utf-8' codec can't decode byte 0x80 in position 0: invalid start byte

额外的信息

我在 MacOS High Sierra 上使用 python 3。

解决方案

奎平的词向量 https://github.com/Kyubyong/wordvectors正如所指出的阿尼什·乔希 https://stackoverflow.com/a/50579950?noredirect=1，加载Kyubyong模型的正确方法是调用Word2Vec的原生加载函数。

from gensim.models import Word2Vec
kyu_path = '.../pre-trained_word_vectors/kyubyong_pt/pt.bin'
model = Word2Vec.load(kyu_path)

尽管我非常感谢 Aneesh Joshi 的解决方案，但多语言似乎是使用葡萄牙语的更好模型。关于那个有什么想法吗？

对于 Kyu Yong 的预训练 word2vec .bin 文件： 它可能已使用 gensim 保存功能保存。

“加载模型load(). Not load_word2vec_format（这是为了 C 工具兼容性）。”

i.e., model = Word2Vec.load(fname)

让我知道这是否有效。

参考 ：Gensim 邮件列表 https://groups.google.com/forum/#!msg/gensim/gZ0BRnETMnw/m4WnXSyZFdcJ