word2vec - 得到最近的单词

Question

读取tensorflow word2vec模型输出如何输出与特定单词相关的单词？

阅读src：https://github.com/tensorflow/tensorflow/blob/r0.11/tensorflow/examples/tutorials/word2vec/word2vec_basic.py可以查看图像的绘制方式。

但是是否有一个数据结构（例如字典）作为训练模型的一部分而创建，允许访问最接近给定单词的最近n个单词？ 例如，如果word2vec生成了图像：

image src：https://www.tensorflow.org/versions/r0.11/tutorials/word2vec/index.html

在此图片中，单词“to，he，it＆＃39;包含在同一个集群中，是否有一个函数作为输入＆＃39;到＆＃39;输出＆＃39;他，它＆＃39; （在这种情况下，n = 2）？

Answer 1

这种方法一般适用于word2vec。如果你可以将word2vec保存在文本/二进制文件中，如google / GloVe word vector。那么你需要的只是gensim。

安装：

Via github

Python代码：

from gensim.models import Word2Vec

gmodel=Word2Vec.load_word2vec_format(fname)
ms=gmodel.most_similar('good',10)
for x in ms:
    print x[0],x[1]

然而，这将搜索所有单词以给出结果，有近似最近邻（ANN），它将更快地给你结果，但在准确性上有折衷。

在最新的gensim中，annoy用于执行ANN，有关详细信息，请参阅此notebooks。

Flann is another library for Approximate Nearest Neighbors.

Answer 2

我会假设您不想使用gensim，并且更愿意坚持使用tensorflow。在这种情况下，我会提供两个选项

选项1 - Tensorboard：

如果你只是试图从探索的角度来做这件事，我建议使用Tensorboard的嵌入可视化工具来搜索最接近的嵌入。它提供了一个很酷的界面，您可以使用余弦和欧几里德距离与一定数量的邻居。

Link to Tensorflow documentation

选项2 - 直接计算

在word2vec_basic.py文件中，有一个例子说明他们如何计算最接近的单词，你可以继续使用它，如果你稍微搞乱这个功能。以下内容可在图表中找到：

# Compute the cosine similarity between minibatch examples and all embeddings.
norm = tf.sqrt(tf.reduce_sum(tf.square(embeddings), 1, keep_dims=True))
normalized_embeddings = embeddings / norm
valid_embeddings = tf.nn.embedding_lookup(
  normalized_embeddings, valid_dataset)
similarity = tf.matmul(
  valid_embeddings, normalized_embeddings, transpose_b=True)

然后，在训练期间（每10000步），他们运行下一段代码（当会话处于活动状态时）。当他们调用similarity.eval()时，它会获得图中相似性张量的文字numpy数组评估。

# Note that this is expensive (~20% slowdown if computed every 500 steps)
if step % 10000 == 0:
  sim = similarity.eval()
  for i in xrange(valid_size):
    valid_word = reverse_dictionary[valid_examples[i]]
    top_k = 8 # number of nearest neighbors
    nearest = (-sim[i, :]).argsort()[1:top_k+1]
    log_str = "Nearest to %s:" % valid_word
    for k in xrange(top_k):
      close_word = reverse_dictionary[nearest[k]]
      log_str = "%s %s," % (log_str, close_word)
    print(log_str)

如果你想为自己适应这一点，你必须做一些事情，将reverse_dictionary[valid_examples[i]]改为你想要获得k个最接近的单词的单词/单词idx。

Answer 3

获取gensim并在gensim.models.Word2Vec型号上使用similar_by_word方法。

similar_by_word需要3个参数，

1. 输入字
2. n - 对于前n个相似的单词（可选，默认= 10）
3. restrict_vocab（可选，默认=无）

示例

import gensim, nltk

class FileToSent(object):
   """A class to load a text file efficiently """   
    def __init__(self, filename):
        self.filename = filename
        # To remove stop words (optional)
        self.stop = set(nltk.corpus.stopwords.words('english'))

    def __iter__(self):
        for line in open(self.filename, 'r'):
            ll = [i for i in unicode(line, 'utf-8').lower().split() if i not in self.stop]
            yield ll

然后根据你输入的句子（sentence_file.txt），

sentences = FileToSent('sentence_file.txt')
model = gensim.models.Word2Vec(sentences=sentences, min_count=2, hs=1)
print model.similar_by_word('hack', 2) # Get two most similar words to 'hack'
# [(u'debug', 0.967338502407074), (u'patch', 0.952264130115509)] (Output specific to my dataset)