word2vec,分词后训练的词向量中依旧没有对应的词

[UN2758]

我用结巴分词后用 gensim 训练得到词向量，训练模型时但是会报"word '无鞍' not in vocabulary" "word '无鞍' not in vocabulary" "word '无鞍' not in vocabulary" "word '拍张' not in vocabulary" "word '拍张' not in vocabulary" 这样的错误，求助

[kaiju]

首先确定你想找的词在真的出现过 （你确定分词会分出来“无鞍”这种词？）

其次 word2vec 会自动忽略出现过 n 次以下的词，n 好像等于 5 （“无鞍”这种词即使出现过，次数应该也很少）

[rock_cloud]

同意楼上所说，另外 Python 的话，注意编码问题。

[hadoop]

有个按词频低于多少就丢弃的参数

[sadscv]

你在分词之后转成 w2v 之前先对数据做一道预处理，如果是出现 out of vocabulary 你就直接生成一个同样尺寸的随机词向量。
如果在训练 w2v 的语料已经经过预处理，其中包括一个特殊的 UNK 单词，那你直接用 UNK 的向量来表示当前 OOV 的词也可以。

[UN2758]

@kaiju min_count wo 我设置的是 5，但是不在词表中的词出现 oov 提示了 67 次的也有，无鞍这词是 jieba 自己分出来的，我也很无语

[UN2758]

@rock_cloud 统一是 utf-8，在 ubuntu 上搞的，应该没有编码问题，但是"." "," "000" " "这样的也会提示 oov

[UN2758]

@hadoop 看 5 楼。。。。。

[UN2758]

@sadscv 我是设置的全 0 向量可以吗？ UNK 是什么意思？

[sadscv]

@UN2758 UNK 就是指某个单词是未登录词，比如你预处理时，把所有低于５词频的单词替换成一个特殊标识'UNK'，那么所有的罕见词在训练时就会被当作是同一个词来训练。当出现 oov 时，用这个特殊的未登录词向量来表示该词。
当然以上仅是一种简单粗暴的作法，与全随机或全０向量并无本质区别...

[UN2758]

@sadscv 哦，用 jieba 自己的词典分词感觉分出来的有些莫名其妙，是不是指定了用自己的词典，结巴自带的词典就失效了啊

[zix]

@UN2758 jieba 自己的词典不会失效。jieba 里面有新词发现功能，用的 HMM，默认是开启的，所以会去产生一些奇怪的结果出来，你可以把这个选项关掉，不过这样如果有词没有出现在词表里，就会分成一个一个字。

```
text = "blablabla..."
jieba.lcut(text, HMM=True) # 默认行为
jieba.lcut(text, HMM=False) # 关闭 HMM
```

[searene]

很有可能是编码的问题