Преобразование файла word2vec bin в текст

Ответ 1

В списке рассылки word2vec-toolkit Thomas Mensink предоставил ответ в виде небольшой программы на C, которая преобразует файл .bin печатать. Это модификация файла distance.c. Я заменил исходное расстояние .c на код Thomas ниже и перестроил word2vec (make clean; make) и переименовал скомпилированное расстояние в readbin. Затем ./readbin vector.bin создаст текстовую версию vector.bin.

//  Copyright 2013 Google Inc. All Rights Reserved.
//
//  Licensed under the Apache License, Version 2.0 (the "License");
//  you may not use this file except in compliance with the License.
//  You may obtain a copy of the License at
//
//      http://www.apache.org/licenses/LICENSE-2.0
//
//  Unless required by applicable law or agreed to in writing, software
//  distributed under the License is distributed on an "AS IS" BASIS,
//  WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
//  See the License for the specific language governing permissions and
//  limitations under the License.

#include <stdio.h>
#include <string.h>
#include <math.h>
#include <malloc.h>

const long long max_size = 2000;         // max length of strings
const long long N = 40;                  // number of closest words that will be shown
const long long max_w = 50;              // max length of vocabulary entries

int main(int argc, char **argv) {
  FILE *f;
  char file_name[max_size];
  float len;
  long long words, size, a, b;
  char ch;
  float *M;
  char *vocab;
  if (argc < 2) {
    printf("Usage: ./distance <FILE>\nwhere FILE contains word projections in the BINARY FORMAT\n");
    return 0;
  }
  strcpy(file_name, argv[1]);
  f = fopen(file_name, "rb");
  if (f == NULL) {
    printf("Input file not found\n");
    return -1;
  }
  fscanf(f, "%lld", &words);
  fscanf(f, "%lld", &size);
  vocab = (char *)malloc((long long)words * max_w * sizeof(char));
  M = (float *)malloc((long long)words * (long long)size * sizeof(float));
  if (M == NULL) {
    printf("Cannot allocate memory: %lld MB    %lld  %lld\n", (long long)words * size * sizeof(float) / 1048576, words, size);
    return -1;
  }
  for (b = 0; b < words; b++) {
    fscanf(f, "%s%c", &vocab[b * max_w], &ch);
    for (a = 0; a < size; a++) fread(&M[a + b * size], sizeof(float), 1, f);
    len = 0;
    for (a = 0; a < size; a++) len += M[a + b * size] * M[a + b * size];
    len = sqrt(len);
    for (a = 0; a < size; a++) M[a + b * size] /= len;
  }
  fclose(f);
  //Code added by Thomas Mensink
  //output the vectors of the binary format in text
  printf("%lld %lld #File: %s\n",words,size,file_name);
  for (a = 0; a < words; a++){
    printf("%s ",&vocab[a * max_w]);
    for (b = 0; b< size; b++){ printf("%f ",M[a*size + b]); }
    printf("\b\b\n");
  }  

  return 0;
}

Я удалил "\ b\b" из printf.

Кстати, полученный текстовый файл все еще содержал текстовое слово и некоторые ненужные пробелы, которые я не хотел для некоторых численных вычислений. Я удалил начальный текстовый столбец и конечный пустую строку из каждой строки с помощью команд bash.

cut --complement -d ' ' -f 1 GoogleNews-vectors-negative300.txt > GoogleNews-vectors-negative300_tuples-only.txt
sed 's/ $//' GoogleNews-vectors-negative300_tuples-only.txt

Ответ 2

Я использую этот код для загрузки двоичной модели, затем сохраняю модель в текстовый файл,

from gensim.models.keyedvectors import KeyedVectors

model = KeyedVectors.load_word2vec_format('path/to/GoogleNews-vectors-negative300.bin', binary=True)
model.save_word2vec_format('path/to/GoogleNews-vectors-negative300.txt', binary=False)

Ссылки: API и nullege.

Примечание:

Выше код предназначен для новой версии gensim. Для предыдущей версии я использовал этот код:

from gensim.models import word2vec

model = word2vec.Word2Vec.load_word2vec_format('path/to/GoogleNews-vectors-negative300.bin', binary=True)
model.save_word2vec_format('path/to/GoogleNews-vectors-negative300.txt', binary=False)

Ответ 3

формат - это бинарный формат с плавающей запятой с двойной точностью IEEE 754: binary32 http://en.wikipedia.org/wiki/Single-precision_floating-point_format Они используют little-endian.

Сделайте пример:

• Первая строка представляет собой строковый формат: "3000000 300\n" (vocabSize & vecSize, getByte до байта == '\n')

• Следующая строка включает словарный запас сначала, а затем (300 * 4 байта значения поплавка, 4 байта для каждого измерение):

  getByte till byte==32 (space). (60 47 115 62 32 => <\s>[space])
  

• то каждый следующий 4 байта будет представлять одно число с плавающей запятой

  следующий 4 байт: 0 0 -108 58 = > 0,001129150390625.

Вы можете проверить ссылку на wikipedia, чтобы посмотреть, как, позвольте мне сделать это в качестве примера:

(little-endian → обратный порядок) 00111010 10010100 00000000 00000000

• first - знак bit = > sign = 1 (else = -1)
• next 8 bits = > 117 = > exp = 2 ^ (117-127)
• next 23 bits = > pre = 0 * 2 ^ (- 1) + 0 * 2 ^ (- 2) + 1 * 2 ^ (- 3) + 1 * 2 ^ (- 5)

value = sign * exp * pre

Ответ 4

Вы можете загрузить двоичный файл в word2vec, а затем сохранить текстовую версию следующим образом:

from gensim.models import word2vec
 model = word2vec.Word2Vec.load_word2vec_format('Path/to/GoogleNews-vectors-negative300.bin', binary=True)
 model.save("file.txt")

`

Ответ 5

Я использую gensim для работы с GoogleNews-vector-negative300.bin, и при загрузке модели я включаю флаг binary = True.

from gensim import word2vec

model = word2vec.Word2Vec.load_word2vec_format('Path/to/GoogleNews-vectors-negative300.bin', binary=True) 

Кажется, работает нормально.

Ответ 6

У меня была аналогичная проблема, я хотел получить выходные файлы bin/non-bin (gensim) как CSV.

вот код, который делает это на python, он предполагает, что у вас установлен gensim:

https://gist.github.com/dav009/10a742de43246210f3ba

Ответ 7

convertvec - небольшой инструмент для преобразования векторов между различными форматами для библиотеки word2vec.

Преобразование векторов из двоичного в обычный текст:

./convertvec bin2txt input.bin output.txt

Преобразование векторов из обычного текста в двоичный:

./convertvec txt2bin input.txt output.bin

Ответ 8

Вот код, который я использую:

import codecs
from gensim.models import Word2Vec

def main():
    path_to_model = 'GoogleNews-vectors-negative300.bin'
    output_file = 'GoogleNews-vectors-negative300_test.txt'
    export_to_file(path_to_model, output_file)


def export_to_file(path_to_model, output_file):
    output = codecs.open(output_file, 'w' , 'utf-8')
    model = Word2Vec.load_word2vec_format(path_to_model, binary=True)
    print('done loading Word2Vec')
    vocab = model.vocab
    for mid in vocab:
        #print(model[mid])
        #print(mid)
        vector = list()
        for dimension in model[mid]:
            vector.append(str(dimension))
        #line = { "mid": mid, "vector": vector  }
        vector_str = ",".join(vector)
        line = mid + "\t"  + vector_str
        #line = json.dumps(line)
        output.write(line + "\n")
    output.close()

if __name__ == "__main__":
    main()
    #cProfile.run('main()') # if you want to do some profiling

Ответ 9

Если вы получаете сообщение об ошибке:

ImportError: No module named models.word2vec

то это потому, что было обновление API. Это будет работать:

from gensim.models.keyedvectors import KeyedVectors

model = KeyedVectors.load_word2vec_format('./GoogleNews-vectors-negative300.bin', binary=True)
model.save_word2vec_format('./GoogleNews-vectors-negative300.txt', binary=False)

Ответ 10

Просто быстрое обновление, так как теперь есть более простой способ.

Если вы используете word2vec из https://github.com/dav/word2vec, существует дополнительная опция -binary, которая принимает 1 для генерации двоичного файла или 0 для создания текстового файла. Этот пример исходит от demo-word.sh в репо:

time ./word2vec -train text8 -output vectors.bin -cbow 1 -size 200 -window 8 -negative 25 -hs 0 -sample 1e-4 -threads 20 -binary 0 -iter 15