在阅读了gensim的文档教程后，我不明白从已训练的模型中生成新嵌入的正确方法。到目前为止，我已经像这样训练了gensim的fast text嵌入：
from gensim.models.fasttext import FastText as FT_gensimmodel_gensim = FT_gensim(size=100)# 构建词汇表model_gensim.build_vocab(corpus_file=corpus_file)# 训练模型model_gensim.train( corpus_file=corpus_file, epochs=model_gensim.epochs, total_examples=model_gensim.corpus_count, total_words=model_gensim.corpus_total_words)然后，假设我想获取与以下句子相关的嵌入向量：
sentence_obama = 'Obama speaks to the media in Illinois'.lower().split()sentence_president = 'The president greets the press in Chicago'.lower().split()我如何使用之前训练的model_gensim来获取它们？
回答：
您可以依次查找每个词的向量：
wordvecs_obama = [model_gensim[word] for word in sentence_obama]对于您输入的7个词的句子，您将在wordvecs_obama中得到一个包含7个词向量的列表。
所有FastText模型在其固有功能上并不会将较长的文本转换为单一向量。（而且，您训练的模型没有默认的方法来做到这一点。）
原始的Facebook FastText代码中有一个“分类模式”，涉及一种不同的训练风格，在训练时文本与已知标签相关联，并且在训练过程中将句子的所有词向量结合起来，当模型后来被要求对新文本进行分类时也是如此。但是，gensim对FastText的实现目前不支持这种模式，因为gensim的目标是提供无监督而不是有监督的算法。
您可以通过平均这些词向量来近似这种FastText模式的效果：
根据您的最终目的，这样的方法可能仍然有用。（但是，如果词向量最初是为了那个目标（带有已知标签）在那个FastText模式下训练的，这种平均值在分类方面的用处将不如那样有用。）
