腾讯ai实验室发布的nlp语料库，如何转化为向量bin文件？

我们相信：世界是美好的，你是我也是。平行空间的世界里面，不同版本的生活也在继续...

腾讯ai实验室出品的nlp语料库是如何利用的？这个nlp语料库如何下载？这个txt文件如何转化为bin文件？这些就是本文要解决的问题。

这里是苏南大叔的程序如此灵动博客，感谢您的访问。本文测试环境：win10，python@3.6.8，gensim@4.1.2。

腾讯ai实验室语料库下载

下载地址：

• https://ai.tencent.com/ailab/nlp/zh/download.html

下载到的是个压缩包，压缩包解压之后是个超级大的txt文件。这里，苏南大叔选择了一个最小最精简的版本，解压缩后也是有1.8g巨大的占地面积。

• https://ai.tencent.com/ailab/nlp/zh/data/tencent-ailab-embedding-zh-d100-v0.2.0-s.tar.gz

转化为vec.bin文件

在做预料分析的时候，需要的是个基于向量的bin文件。当然，使用txt文件也是可以的。但是，影响效率，显得不是那么专业。所以，这里需要做预先处理。

pip install gensim

基于python的转化代码如下:

from gensim.models import KeyedVectors
model = KeyedVectors.load_word2vec_format('./tencent-ailab-embedding-zh-d100-v0.2.0-s.txt', binary=False)
model.save_word2vec_format('./vec.bin',binary=True)

经过了十多分钟的漫长等待，然后1.8g的txt文件变成了786M的bin文件，这个vec.bin文件留作后续文章中使用。

可能存在的问题

如果执行代码的时候，提示语料库文件无法找到的话（文件确实存在）。

FileNotFoundError: [Errno 2] No such file or directory: './tencent-ailab-embedding-zh-d100-v0.2.0-s.txt'

可以考虑增加下面的代码：

import os
os.chdir(os.path.dirname(__file__))

更多方案，可以参考文章：

• https://newsn.net/say/vscode-python-file-dir.html

相关链接

• https://ai.tencent.com/ailab/nlp/zh/download.html
• https://newsn.net/say/python-import.html

总结

nlp的道路上，苏南大叔也是刚刚学习，所以，这里和大家共同进步。欢迎关注苏南大叔的系列文章。

• https://newsn.net/tag/nlp/

如果本文对您有帮助，或者节约了您的时间，欢迎打赏瓶饮料，建立下友谊关系。
本博客不欢迎：各种镜像采集行为。请尊重原创文章内容，转载请保留作者链接。