Python 如何在FastText中使用预先训练好的词向量？

我刚刚开始使用FastText。我正在使用数据集的

.csv

文件作为输入，对一个小数据集进行交叉验证。要处理数据集，我使用以下参数：

model=fasttext.train\u受监控（输入=train\u文件，
lr=1.0，
纪元=100，
wordNgrams=2，
桶=200000，
尺寸=50，
损失（='hs'）

---

不过，我想使用维基百科提供的经过预培训的嵌入。可行吗？如果是这样，我必须在参数列表中添加一个特定的参数？

我没有注意到Facebook FastText文档中提到在监督模式培训之前预加载模型，也没有看到任何声称这样做的示例

此外，由于无监督模式（预测邻居）和有监督模式（预测标签）中的词向量训练目标不同，我不确定这样的操作是否有任何好处

即使单词向量让训练稍微领先一步，最终你也会希望在足够的时间内运行训练，以“聚合”模型，使其在训练任务中尽可能好地预测标签。而且，到那时，原始词向量的任何剩余影响可能已经稀释为零，因为它们已针对另一项任务进行了优化

你为什么要这样做？对于您的数据，典型的有监督的培训在哪些方面是不够的？从其他模式和数据集的单词向量开始，您希望得到什么好处？

如果您的训练数据集很小，可以从FastText预训练向量开始，使分类器从一些预先存在的知识开始。 为了提高分类器的性能，它可能是有益的，也可能是无用的：您应该做一些测试

从预训练向量开始训练fastText分类器 您可以从下载预训练向量（.vec文件）

这些向量的维数为300。 您可以通过执行以下操作来训练您的模型：

model = fasttext.train_supervised(input=TRAIN_FILEPATH, lr=1.0, epoch=100,
                             wordNgrams=2, bucket=200000, dim=300, loss='hs',
                             pretrainedVectors=VECTORS_FILEPATH)

改变向量维数 您可能不需要更改向量维度。但如果必须这样做，您可以考虑分三个步骤进行更改：

• 下载.bin模型（从）
• 减少.bin模型维度（请参见）
• 将.bin模型转换为.vec文件（请参见）

---

感谢您的重播。我正在写一篇论文，我正在比较使用不同方法获得的基线结果。事实上，我在SVM中使用了来自wikipedia的预训练嵌入，然后我使用FastText处理了相同的数据集，没有预训练的嵌入。为了进行更详细的比较，我想知道使用维基百科预先训练过的嵌入在FastText中进行第二次测试是否有意义。