将Word2Vec模型多次传输会影响`min_count`参数吗？

Question

在 Word2Vec, ，如果我多次训练一组句子的顺序（随着矢量表示的增加），则单词的频率会因其而更改。

例如，如果我的语料库中有4次“鹿”一词，如果我设置 min_count 为5岁，训练模型3次是否反复计数“鹿”与频率12，并将包含在模型中？

如果知道它是同一语料库，那么如果我用新的语料库重新训练模型，则如何区分。

Answer 1

戈登·莫尔（Gordon Mohr）在Google组中回答了这个问题。

通常，有一篇文章来构建词汇量（包括基于学到的词汇大小初始化模型），然后进行任何数量的培训通行证。只有在一次词汇学习扫描之后，就可以看出单词计数（并与 min_count 用于修剪）。

如果您提供语料库（作为可重启的迭代器）作为对Word2Vec模型的初始创建的参数之一，则所有这些步骤都是自动完成的：一个读取语料库（通过 build_vocab() 方法）要收集单词/计数，然后通过一个或多个通过（由“ iTer”参数控制并通过 train() 方法）培训。尽管如此，只有对所提供的语料库的单个通过的计数对于频率决策很重要。

如果您不在模型定位时提供语料库，则可以致电 build_vocab(…) 和 train(…) 你自己。只是传递给的 build_vocab() 这对于保留频率计数（以及语料库大小的估计）很重要。然后您可以致电 train(…) 在其他方面，或反复 - 它只是不断使用早期的词汇 build_vocab(…) 称呼。

（注意 train(…) 确实试图重复使用词汇扫描通行证中记住的单通行物大小，以提供准确的进度估计并安排训练率的衰减 alpha. 。因此，如果您给出不同的语料库 train(…), ，您还应该使用其其他可选参数来提示其大小。）