Word2Vec完成了从文字,句子到空间向量的映射,是计算相似度和检索常用的方法。在使用机器学习技术训练文本以前,常用来做Word Embedding。
在上一篇中,给出了相似性计算的原理,本篇介绍在python环境下一个快速完成word2vec训练和使用的工具包。
Get started gensim
https://github.com/Samurais/word2vec_get_started
训练
-
构建词汇表
dict -
将文件(doc collection)按行处理成向量
corpus
corpus = []
corpus_memory_friendly = MyCorpus()
for vector in corpus_memory_friendly:
corpus.append(vector)
corpora.MmCorpus.serialize('../data/deerwester.mm', corpus)
- 使用 corpus 训练 transform
dictionary = corpora.Dictionary.load('../data/deerwester.dict')
corpus = corpora.MmCorpus('../data/deerwester.mm')
lsi = models.LsiModel(corpus, id2word=dictionary, num_topics=2)
transfrom有很多种,比如 tf-idf, lsi, etc.
不同transform可以 chain起来。有的transform可以在初始化后,使用append的模式更新,有的则不能。
topic用来指代被分布到多维空间的doc。对于 lsi可以等可以指定多维,根据语料大小衡量。
- 使用余弦距离计算相似度
doc = "Human computer interaction"
vec_bow = dictionary.doc2bow(doc.lower().split())
vec_lsi = lsi[vec_bow]
index = similarities.MatrixSimilarity(lsi[corpus])
sims = index[vec_lsi]
sims = sorted(enumerate(sims), key=lambda item: -item[1])
print(sims)