Размер полной модели Word2Vec определяется главным образом выбранным векторным размером и размером словарного запаса.
Таким образом, ваши основные варианты для больших сбережений - это тренировать меньшие векторы или меньший словарный запас.
Отказ от нескольких сотен стоп-слов или знаков препинания не окажет заметного влияния на размер модели.
Отказ от многих наименее часто встречающихся слов может существенно повлиять на размер модели, и зачастую эти менее часто встречающиеся слова не так важны, как вы думаете.(Хотя их в общем много, каждый из них появляется редко. И поскольку они редко встречаются в данных обучения, они, как правило, не всегда имеют очень хорошие векторы, основываясь на нескольких примерах, и их влияние на обучение значительно ослаблено.под влиянием более часто встречающихся слов.)
Самый простой способ ограничить размер словарного запаса - использовать более высокое значение min_count во время обучения (игнорируя все слова с меньшим количеством вхождений) или фиксированное значение max_final_vocabшапка (которая будет хранить только то, что многие из наиболее часто встречающихся слов).
Также обратите внимание, что если вы сохраняли / перезагружали полные модели Word2Vec (с помощью внутренних методов gensim .save() / .load()), вы сохраняете внутренние веса модели, которые необходимы только дляпродолжение обучения и почти удвоит размер модели на диске или перезагрузит.
Вместо этого вы можете сохранить только необработанные слова-слова в свойстве .wv (с помощью методов gensim-internal .save() или .save_word2vec_format()).