Gensim Reseñas y Detalles del Producto

Indexación y recuperación de datos indexados de manera frecuente. Reseña recopilada por y alojada en G2.com.

El costo del servidor es más necesario para tener una buena exposición en Python. Reseña recopilada por y alojada en G2.com.

Mejores herramientas para aprendizaje no supervisado, modelado de temas y lenguaje, indexación de documentos, recuperación de similitud con grandes corpus, algoritmos de espacio vectorial y herramientas suplementarias de redes neuronales profundas como NLTK, Keras, word2vec, FastText, etc. Modelos compilados, integración con conda, API para maximizar los cálculos sin depender de un alto poder computacional. También se proporciona visualización y análisis de modelos que ayudan al desarrollar modelos de redes neuronales personalizados. Reseña recopilada por y alojada en G2.com.

Optimizado para la independencia de la plataforma, pero podría ser agitado gestionar la base de código ya que las dependencias de Gensim son separadas de los paquetes independientes como TensorFlow, Keras, etc. Reseña recopilada por y alojada en G2.com.

He utilizado esta biblioteca para modelar temas en datos de texto no estructurados. En comparación con otras bibliotecas que he probado, genism funciona muy rápido. Otra cosa que me gusta mucho es su facilidad de implementación si lees la documentación. Además, su corpus preentrenado es útil si te centras en un dominio. Reseña recopilada por y alojada en G2.com.

Dado que es una biblioteca preconstruida, a veces es difícil encontrar las cosas que sucedieron en el backend. Es algo así como una caja negra. Reseña recopilada por y alojada en G2.com.

- Implementación más fácil

- Muchos parámetros opcionales para configurar

- Viabilidad para desarrollar muchos tipos - word2vec, fastext, etc.

- Construcción, actualización y guardado de modelos más fácil en una sola línea de código Reseña recopilada por y alojada en G2.com.

- la biblioteca debería haberse actualizado para trabajar con las últimas incrustaciones utilizando aprendizaje por transferencia como bert/Albert. De lo contrario, pronto podría quedar desactualizada sin los desarrollos recientes. Reseña recopilada por y alojada en G2.com.

Gensim es una de las mejores bibliotecas de PLN con la que se pueden entrenar y construir modelos de PLN con facilidad y alta precisión. Reseña recopilada por y alojada en G2.com.

Gensim es más adecuado solo para tareas relacionadas con el PLN y no para una amplia gama de tareas de aprendizaje automático. Para otros casos de uso, se deben utilizar otras bibliotecas según corresponda. Reseña recopilada por y alojada en G2.com.

Modelos de incrustación de palabras de Gensim y flujos de trabajo de PLN Reseña recopilada por y alojada en G2.com.

Incapacidad para utilizar modelos de última generación (SOTA) como Transformers

Incapacidad para utilizar GPUs Reseña recopilada por y alojada en G2.com.

Menos tiempo de entrenamiento con resultados decentes. Bueno para crear un vocabulario personalizado. Reseña recopilada por y alojada en G2.com.

Necesitar preprocesar el texto, particularmente stemming/ lematización para reducir el tamaño del vocabulario. Esto no ayuda en casos donde necesitas las palabras en su forma original. Reseña recopilada por y alojada en G2.com.

Trabajo en un equipo basado en PLN y todos hemos estado usando frecuentemente Gensim para satisfacer las necesidades de varios proyectos. Word2vec, Doc2vec y LDA han sido salvavidas. Reseña recopilada por y alojada en G2.com.

Aunque he estado usando Gensim por un tiempo, todavía no he encontrado nada que sea una desventaja. Reseña recopilada por y alojada en G2.com.

He trabajado principalmente con herramientas de preprocesamiento de Gensim. Fue sencillo de implementar y comparar resultados con diferentes herramientas como word2vec, gensim, etc. Reseña recopilada por y alojada en G2.com.

Ha pasado un tiempo. No recuerdo lo que no me gustaba. Reseña recopilada por y alojada en G2.com.

Gensim proporciona vectores contextuales preentrenados. Reseña recopilada por y alojada en G2.com.

Se puede ofrecer más variedad de dimensiones de vectores para vectores preentrenados. Reseña recopilada por y alojada en G2.com.