可视化从gensim生成的word2vec

Question

我使用gensim在我自己的语料库中训练了doc2vec和相应的word2vec。我想用t-sne用文字来形象化word2vec。如图所示，图中的每个点都有“单词”。

我在这里看了一个类似的问题：t-sne on word2vec

在它之后，我有这个代码：

导入gensim 将gensim.models导入为g

from sklearn.manifold import TSNE
import re
import matplotlib.pyplot as plt

modelPath="/Users/tarun/Desktop/PE/doc2vec/model3_100_newCorpus60_1min_6window_100trainEpoch.bin"
model = g.Doc2Vec.load(modelPath)

X = model[model.wv.vocab]
print len(X)
print X[0]
tsne = TSNE(n_components=2)
X_tsne = tsne.fit_transform(X[:1000,:])

plt.scatter(X_tsne[:, 0], X_tsne[:, 1])
plt.show()

这给出了一个带点但没有单词的图形。那是我不知道哪个点代表哪个词。如何用点显示单词？

Answer 1

答案的两个部分：如何获取单词标签，以及如何在散点图上绘制标签。

gensim的word2vec中的文字标签

model.wv.vocab是{word：数字向量对象}的字典。要将数据加载到X以获取t-SNE，我做了一处更改。

vocab = list(model.wv.vocab)
X = model[vocab]

这完成了两件事：（1）它为您绘制最终数据框的独立vocab列表，以及（2）当您索引model时，您可以确定您知道单词的顺序。

像以前一样继续

tsne = TSNE(n_components=2)
X_tsne = tsne.fit_transform(X)

现在让我们将X_tsne与vocab列表放在一起。使用pandas很容易，所以import pandas as pd如果你还没有。

df = pd.DataFrame(X_tsne, index=vocab, columns=['x', 'y'])

词汇词是现在数据帧的索引。

我没有您的数据集，但在您提到的other SO中，使用sklearn新闻组的示例df看起来像

                        x             y
politics    -1.524653e+20 -1.113538e+20
worry        2.065890e+19  1.403432e+20
mu          -1.333273e+21 -5.648459e+20
format      -4.780181e+19  2.397271e+19
recommended  8.694375e+20  1.358602e+21
arguing     -4.903531e+19  4.734511e+20
or          -3.658189e+19 -1.088200e+20
above        1.126082e+19 -4.933230e+19

<强>散点图

我喜欢matplotlib的面向对象方法，所以这开始有点不同。

fig = plt.figure()
ax = fig.add_subplot(1, 1, 1)

ax.scatter(df['x'], df['y'])

最后，annotate方法将标记坐标。前两个参数是文本标签和2元组。使用iterrows()，这可以非常简洁：

for word, pos in df.iterrows():
    ax.annotate(word, pos)

[感谢里卡多对此建议的评论。]

然后执行plt.show()或fig.savefig()。根据您的数据，您可能不得不使用ax.set_xlim和ax.set_ylim来查看密集的云。这是没有任何调整的新闻组示例：

您也可以修改点大小，颜色等。快乐的微调！

Answer 2

通过以下操作，您可以将模型转换为TSV，然后使用this page进行可视化。

with open(self.word_tensors_TSV, 'bw') as file_vector, open(self.word_meta_TSV, 'bw') as file_metadata:
    for word in model.wv.vocab:
        file_metadata.write((word + '\n').encode('utf-8', errors='replace'))
        vector_row = '\t'.join(str(x) for x in model[word])
        file_vector.write((vector_row + '\n').encode('utf-8', errors='replace'))

：）