英文单词向量

这一篇整合了一些之前用 fasttext 训练的词向量。

下载经过训练的词向量

你可以从下面下载单词向量,他们基于学习不同的数据来源,并且被预先训练过:

  1. wiki-news-300d-1M.vec.zip :一百万的词向量,这些词向量是在 2017 维基百科,UMBC 基于网络的语料库和 statmt.org 新闻数据集训练得到的(16B)
  2. wiki-news-300d-1M-subword.vec.zip : 一百万的带有子词信息的词向量,这些词向量是在 2017 维基百科,UMBC 基于网络的语料库和 statmt.org 新闻数据集的训练得到的(16B)

  3. crawl-300d-2M.vec.zip : 两百万的词向量,这些词向量是在 Common Crawl 上训练得到的。(600B)

格式

文件的第一行包含了词汇表中单词的数量以及向量的大小。
每一行包含了一个单词和它的向量,就像是 fasttext 文本格式默认的那种样子。
每个值都是由空格隔开。
单词是按照频数降序排列的。

许可证明

这些词向量在 Creative Commons Attribution-Share-Alike License 3.0 可以看到。

参考资料

如果你使用了这些词向量,请引用下面的文章:

T. Mikolov, E. Grave, P. Bojanowski, C. Puhrsch, A. Joulin. Advances in Pre-Training Distributed Word Representations

  1. @inproceedings{mikolov2018advances,
  2. title={Advances in Pre-Training Distributed Word Representations},
  3. author={Mikolov, Tomas and Grave, Edouard and Bojanowski, Piotr and Puhrsch, Christian and Joulin, Armand},
  4. booktitle={Proceedings of the International Conference on Language Resources and Evaluation (LREC 2018)},
  5. year={2018}
  6. }