预训练¶
在自然语言处理领域中，预训练语言模型（Pre-trained Language Models）已成为非常重要的基础技术。 我们将在本章节介绍EduNLP中预训练工具：
如何从零开始用一份语料训练得到一个预训练模型
如何加载预训练模型
公开的预训练模型
导入模块¶
from EduNLP.I2V import get_pretrained_i2v
from EduNLP.Vector import get_pretrained_t2v
训练模型¶
如需训练模型则可直接train_vector函数接口，来使使训练模型更加方便。模块调用gensim库中的相关训练模型，目前提供了”sg”、 “cbow”、 “fastext”、 “d2v”、 “bow”、 “tfidf”的训练方法，并提供了embedding_dim参数，使之可以按照需求确定向量的维度。
基本步骤¶
1.确定模型的类型，选择适合的Tokenizer（GensimWordTokenizer、 GensimSegTokenizer），使之令牌化；
2.调用train_vector函数，即可得到所需的预训练模型。
Examples：
>>> tokenizer = GensimWordTokenizer(symbol="gmas", general=True)
>>> token_item = tokenizer("有公式$\\FormFigureID{wrong1?}$，如图$\\FigureID{088f15ea-xxx}$,\
... 若$x,y$满足约束条件公式$\\FormFigureBase64{wrong2?}$,$\\SIFSep$，则$z=x+7 y$的最大值为$\\SIFBlank$")
>>> print(token_item.tokens[:10])
['公式', '[FORMULA]', '如图', '[FIGURE]', 'x', ',', 'y', '约束条件', '公式', '[FORMULA]']
# 10 dimension with fasstext method
train_vector(sif_items, "../../../data/w2v/gensim_luna_stem_tf_", 10, method="d2v")
装载模型¶
将所得到的模型传入I2V模块即可装载模型
Examples：
>>> model_path = "../test_model/test_gensim_luna_stem_tf_d2v_256.bin"
>>> i2v = D2V("text","d2v",filepath=model_path, pretrained_t2v = False)
公开模型一览¶
版本说明¶
一级版本
公开版本1（luna_pub）：高考
公开版本2（ luna_pub_large）：高考 + 地区试题
二级版本：
小科（Chinese,Math,English,History,Geography,Politics,Biology,Physics,Chemistry）
大科（理科science、文科literal、全科all）
三级版本：【待完成】
不使用第三方初始化词表
使用第三方初始化词表
模型训练数据说明¶
当前【词向量w2v】【句向量d2v】模型所用的数据均为 【高中学段】 的题目
测试数据：[OpenLUNA.json]
- 当前提供以下模型，更多分学科、分题型模型正在训练中，敬请期待
“d2v_all_256”(全科)，”d2v_sci_256”(理科)，”d2v_eng_256”（英语），”d2v_lit_256”(文科)