我在使用手套时遇到了类似的问题。假设你有一个文本形式的数据集，你想从中收集前 100000 个单词，你必须列出这些单词。在手套文件中，每个嵌入都在单独的一行上，每一行都以单词本身开头，然后是嵌入。您必须编写代码来将您的单词列表与 glove 文件中的单词进行比较，并提取命中的行。看看这里的示例代码。

你可以试试这个方法：

from keras.preprocessing.text import Tokenizer
from gensim.models import KeyedVectors

# X is the corpus
# GLOVE_DIR is the glove model
# EMBEDDING_DIM is the embedding demension of glove model

VOVAB_SIZE = 10000
tokenizer = Tokenizer()
tokenizer.fit_on_texts(X)
word_index = tokenizer.word_index

glove_model = KeyedVectors.load_word2vec_format(GLOVE_DIR, binary=True)

num_words = min(VOCAB_SIZE, len(word_index) + 1)
embedding_matrix = np.zeros((len(num_words) + 1, EMBEDDING_DIM))

for word, i in word_index.items():
    if i < VOVAB_SIZE:
        if word in set(glove_model.wv.index2word):
            embedding_matrix[i] = glove_model[word]
        else:
            embedding_matrix[i] = np.random.rand(1, EMBEDDING_DIM)

embedding_matrix 是您的语料库中出现频率最高的 10000 个单词