为 OOV 词添加新向量的正确方法

Question

我正在使用一些特定领域的语言，其中有很多 OOV 词以及一些拼写错误。我注意到 Spacy 只会为这些 OOV 词分配一个全零向量，所以我想知道处理这个问题的正确方法是什么。如果可能的话，我感谢对所有这些要点的澄清：

1. 预训练命令到底做了什么？老实说，我似乎无法正确解析网站上的解释：

使用近似的语言建模目标预训练流水线组件的“令牌到向量”(tok2vec) 层。具体来说，我们加载预训练向量，并训练像 CNN、BiLSTM 等组件来预测与预训练向量匹配的向量

tok2vec 不是生成向量的部分吗？那么这个命令不应该改变产生的向量吗？加载预训练向量然后训练一个组件来预测这些向量是什么意思？这样做的目的是什么？

--use-vectors 标志有什么作用？--init-tok2vec 标志有什么作用？这是否被错误地包含在文档中？

1. 似乎 pretrain 不是我要找的，它不会改变给定单词的向量。生成包含我的 OOV 单词但仍包含该语言的一般知识的一组新向量的最简单方法是什么？

2. 据我所知，Spacy 的预训练模型使用的是快速文本向量。Fasttext网站提到：

一个不错的功能是您还可以查询未出现在您的数据中的单词！事实上，单词是由其子串的总和表示的。只要未知单词是由已知子串组成的，就有它的表示！

但似乎 Spacy 没有使用此功能。有没有办法仍然将它用于 OOV 词？

多谢

Answer 1

我认为不同组件存在一些混淆 - 我将尝试澄清：分词器不产生向量。它只是一个将文本分割成标记的组件。在 spaCy 中，它是基于规则的，不可训练，与向量没有任何关系。它查看空格和标点符号以确定哪些是句子中的独特标记。spaCy 中的模型nlp可以具有预定义的（静态）词向量，这些词向量可在级别上访问Token。具有相同 Lexeme的每个标记都获得相同的向量。一些标记/词素可能确实是 OOV，比如拼写错误。如果你想重新定义/扩展模型中使用的所有向量，你可以使用类似的东西init-model（init vectors在 spaCy v3 中）。该tok2vec层是一个机器学习组件，它学习如何为令牌生成合适的（动态）向量。它通过查看令牌的词法属性来完成此操作，但也可能包括令牌的静态向量（参见第 2 项）。该组件通常不单独使用，而是作为另一个组件的一部分，例如 NER。它将是 NER 模型的第一层，它可以作为训练 NER 的一部分进行训练，以生成适合您的 NER 任务的向量。在 spaCy v2 中，您可以先使用 训练一个 tok2vec 组件pretrain，然后将此组件用于后续train命令。请注意，两个命令的所有设置都必须相同，以使图层兼容。回答你的问题：tok2vec 不是生成向量的部分吗？如果你的意思是静态向量，那么没有。tok2vec 组件在静态向量之上生成新向量（可能具有不同的维度），但它不会更改静态向量。加载预训练向量然后训练一个组件来预测这些向量是什么意思？这样做的目的是什么？目的是获得一个tok2vec已经从外部向量数据中预训练的组件。外部向量数据已经嵌入了标记的某些“含义”或“相似性”，并且可以说是转移到组件中，tok2vec组件学习产生相同的相似性。关键是这个新tok2vec组件可以在后续命令中使用和进一步微调train（参见第 3 项）有没有办法仍然将它用于 OOV 词？这真的取决于你的“用途”是什么。