从Word2Vec提取词嵌入：使用gensim时词表大小不符预期的咨询

你遇到的词表大小异常，和两个核心使用误区有关，和输入格式本身无关——你现在的列表结构其实是符合Word2Vec对语料的要求的（即可迭代对象，每个元素为拆分好的分词列表，代表一个句子）：

• 入表阈值设置过高：min_count=3的作用是过滤掉语料中出现次数少于3次的词汇。你当前的语料里每个词汇仅出现1次，远达不到入表要求，最终没有任何你的目标词被收录，输出的vocab=1是模型内置的未知词（）占位符，不是真实收录的有效词汇。
• 语料结构无法支撑有效训练：Word2Vec依靠词汇的上下文共现关系学习嵌入，你当前的输入是每个句子仅包含1个独立词汇，没有任何上下文关联，就算调整参数让词入表，训练得到的也是随机初始化的无意义向量。另外需要注意，4.0版本及以上的gensim已经将原size参数重命名为vector_size，继续使用size会触发兼容警告，甚至无法正常生效。

如果你只是想验证调用逻辑是否正常，不需要追求嵌入的实际语义效果，可以参考以下调整后的配置：

from gensim.models import Word2Vec

list_word = [['Word'],
 ['ant'],
 ['bear'],
 ['beaver'],
 ['bee'],
 ['bird']]

model = Word2Vec(
    list_word,
    min_count=1,  # 收录所有出现1次及以上的词汇
    vector_size=12,
    window=1
)

# 查看实际收录的词表
print("实际收录的词汇：", model.wv.index_to_key)
# 查看单个词的嵌入向量
print("bear对应的嵌入：", model.wv['bear'])

如果你的目标是得到带有实际语义价值的词嵌入，不建议用如此小规模的自制语料训练。直接加载在大规模通用语料上预训练完成的Word2Vec模型，查询目标词对应的嵌入即可，不需要从零开始训练，得到的向量质量远高于小语料自训的结果。

内容的提问来源于stack exchange，提问作者Aswiderski