Question

基于text2vec包的插图，提供了一个示例来创建单词嵌入。维基数据被标记化，然后创建术语共生矩阵（TCM），用于创建使用手套功能提供的单词嵌入。包。我想为随包提供的电影评论数据构建单词嵌入。我的问题是：

我是否需要将所有电影评论合并为一个长字符串，然后进行标记化。

这将导致2次评论之间的边界令牌共同发生，这是没有意义的。

**vignettes code:**
library(text2vec)
library(readr)
temp <- tempfile()
download.file('http://mattmahoney.net/dc/text8.zip', temp)
wiki <- read_lines(unz(temp, "text8"))
unlink(temp)
# Create iterator over tokens
tokens <- strsplit(wiki, split = " ", fixed = T)
# Create vocabulary. Terms will be unigrams (simple words).
vocab <- create_vocabulary(itoken(tokens))
vocab <- prune_vocabulary(vocab, term_count_min = 5L)
# We provide an iterator to create_vocab_corpus function
it <- itoken(tokens)
# Use our filtered vocabulary
vectorizer <- vocab_vectorizer(vocab, 
                               # don't vectorize input
                               grow_dtm = FALSE, 
                               # use window of 5 for context words
                               skip_grams_window = 5L)
tcm <- create_tcm(it, vectorizer)
fit <- glove(tcm = tcm,
             word_vectors_size = 50,
             x_max = 10, learning_rate = 0.2,
             num_iters = 15)

我对开发单词嵌入感兴趣的数据可以得到如下：

library(text2vec)
data("movie_review")

Answer 1

不，您不需要连接评论。你只需要从令牌上的正确迭代器构造tcm：

library(text2vec)
data("movie_review")
tokens = movie_review$review %>% tolower %>%  word_tokenizer
it = itoken(tokens)
# create vocabulary
v = create_vocabulary(it) %>% 
  prune_vocabulary(term_count_min = 5)
# create co-occurrence vectorizer
vectorizer = vocab_vectorizer(v, grow_dtm = F, skip_grams_window = 5)

现在我们需要重新初始化（对于稳定的0.3版本。对于dev 0.4，不需要重新初始化迭代器）：

it = itoken(tokens)
tcm = create_tcm(it, vectorizer)

适合模特：

fit <- glove(tcm = tcm,
             word_vectors_size = 50,
             x_max = 10, learning_rate = 0.2,
             num_iters = 15)

在text2vec R包中准备单词嵌入

1 个答案: