Question

我想用word2vectors计算两个句子之间的相似度，我试图得到句子的向量，这样我就可以计算句子向量的平均值来找到余弦相似度。我试过这个代码，但它没有用。它给出了带有一个句子向量的输出。我想在sentence_1_avg_vector＆amp;中找到句子的实际向量。 sentence_2_avg_vector。

代码：

    #DataSet#
    sent1=[['What', 'step', 'step', 'guide', 'invest', 'share', 'market', 'india'],['What', 'story', 'Kohinoor', 'KohiNoor', 'Diamond']]
    sent2=[['What', 'step', 'step', 'guide', 'invest', 'share', 'market'],['What', 'would', 'happen', 'Indian', 'government', 'stole', 'Kohinoor', 'KohiNoor', 'diamond', 'back']]
    sentences=sent1+sent2

    #''''Applying Word2vec''''#
    word2vec_model=gensim.models.Word2Vec(sentences, size=100, min_count=5)
    bin_file="vecmodel.csv"
    word2vec_model.wv.save_word2vec_format(bin_file,binary=False)

    #''''Making Sentence Vectors''''#
    def avg_feature_vector(words, model, num_features, index2word_set):
        #function to average all words vectors in a given paragraph
        featureVec = np.ones((num_features,), dtype="float32")
        #print(featureVec)
        nwords = 0
        #list containing names of words in the vocabulary
        index2word_set = set(model.wv.index2word)# this is moved as input param for performance reasons
        for word in words:
            if word in index2word_set:
                nwords = nwords+1
                featureVec = np.add(featureVec, model[word])
                print(featureVec)
        if(nwords>0):
            featureVec = np.divide(featureVec, nwords)
        return featureVec

    i=0
    while i<len(sent1):
        sentence_1_avg_vector = avg_feature_vector(mylist1, model=word2vec_model, num_features=300, index2word_set=set(word2vec_model.wv.index2word))
        print(sentence_1_avg_vector)

        sentence_2_avg_vector = avg_feature_vector(mylist2, model=word2vec_model, num_features=300, index2word_set=set(word2vec_model.wv.index2word))
        print(sentence_2_avg_vector)

        sen1_sen2_similarity =  1 - spatial.distance.cosine(sentence_1_avg_vector,sentence_2_avg_vector)
        print(sen1_sen2_similarity)

        i+=1

此代码给出的输出：

[ 1.  1.  ....  1.  1.]
[ 1.  1.  ....  1.  1.]
0.999999898245
[ 1.  1.  ....  1.  1.]
[ 1.  1.  ....  1.  1.]
0.999999898245

Answer 1

我认为您要实现的目标如下：

从word2vec获取句子中每个单词的向量表示。
平均句子的所有单词向量以获得句子表示。
计算两个句子的向量之间的余弦相似度。

虽然2和3的代码看起来一般对我来说很好（虽然没有经过测试），但问题可能在第1步。你在代码中做了什么

word2vec_model=gensim.models.Word2Vec(sentences, size=100, min_count=5)

是初始化一个新的word2vec模型。如果你打电话给word2vec_model.train()，gensim会在你的句子上训练一个新的模型，这样你就可以使用每个单词的结果向量。但是，为了获得捕捉相似性等有用的单词向量，你通常需要在很多数据上训练word2vec模型 - model provided by Google训练了1000亿个单词。

您可能想要做的是使用预训练的word2vec模型并在代码中使用gensim。根据{{3}}，可以使用KeyedVectors.load_word2vec_format方法完成此操作。

Answer 2

您的第二部分（将文本转换为特征向量）是错误的。您必须替换：

featureVec = np.ones((num_features,), dtype="float32")

使用

featureVec = np.zeros((num_features,), dtype="float32")。

如果在词典（index2word_set）中未找到任何单词，则应将其全为零。那解决了我的问题。 ?

使用python

2 个答案: