对于TSNE

Question

我已经从Word Embeddings by M. Baroni et al.下载了预先训练的字嵌入模型我想要想象句子中存在的单词的嵌入。我有两句话：

sentence1 = "Four people died in an accident."

sentence2 = "4 men are dead from a collision"

我有从上面链接加载嵌入文件的功能：

def load_data(FileName = './EN-wform.w.5.cbow.neg10.400.subsmpl.txt'):

    embeddings = {}
    file = open(FileName,'r')
    i = 0
    print "Loading word embeddings first time"
    for line in file:
        # print line

        tokens = line.split('\t')

        #since each line's last token content '\n'
        # we need to remove that
        tokens[-1] = tokens[-1].strip()

        #each line has 400 tokens
        for i in xrange(1, len(tokens)):
            tokens[i] = float(tokens[i])

        embeddings[tokens[0]] = tokens[1:-1]
    print "finished"
    return embeddings

e = load_data()

从两个句子中，我计算单词的 lemmas ，忽略停用词和标点符号，所以现在我的句子变为：

sentence1 = ['Four', 'people', 'died', 'accident']
sentence2 = ['4', 'men', 'dead', 'collision']

现在，当我尝试使用TSNE（t分布式随机邻居嵌入）来嵌入嵌入时，我首先为每个句子存储标签和标记：

#for sentence store labels and embeddings in list
# tokens contains vector of 400 dimensions for each label
labels1 = []
tokens1 = []
for i in sentence1:
    if i in e:
        labels1.append(i)
        tokens1.append(e[i])
    else:
        print i

labels2 = []
tokens2 = []
for i in sentence2:
    if i in e:
        labels2.append(i)
        tokens2.append(e[i])
    else:
        print i

对于TSNE

tsne_model = TSNE(perplexity=40, n_components=2, init='random', n_iter=2000, random_state=23)
# fit transform for tokens of both sentences
new_values = tsne_model.fit_transform(tokens1)
new_values1 = tsne_model.fit_transform(tokens2)

#Plot values
x = []
y = []
x1 = []
y1 = []

for value in new_values:
    x.append(value[0])
    y.append(value[1])

for value in new_values1:
    x1.append(value[0])
    y1.append(value[1])


plt.figure(figsize=(10, 10)) 

for i in range(len(x)):
    plt.scatter(x[i],y[i])
    plt.annotate(labels[i],
                 xy=(x[i], y[i]),
                 xytext=(5, 2),
                 textcoords='offset points',
                 ha='right',
                 va='bottom')

for i in range(len(x1)):
    plt.scatter(x1[i],y1[i])
    plt.annotate(labels[i],
                 xy=(x1[i], y1[i]),
                 xytext=(5, 2),
                 textcoords='offset points',
                 ha='right',
                 va='bottom')

plt.show()

我的问题就是，为什么同义词如＆＃34; collision＆＃34;和＆＃34;意外＆＃34;，＆＃34;人＆＃34;和＆＃34;人和＃34;有不同的坐标？如果单词是相同/同义词，那么它们是否应该更接近？

distance = euclidean_distances（tokens1） #return shape（8,8）

Answer 1

来自TSNE-documentation：

t-SNE的成本函数不是凸的，即使用不同的初始化我们可以得到不同的结果。

这意味着在执行单词嵌入的降维时，不能保证获得相同的坐标。

要解决此问题，请通过加入句子来执行fit_transform一次而不是两次：

sentence1 = ['Four', 'people', 'died', 'accident']
sentence2 = ['4', 'men', 'dead', 'collision']
sentences = list(set(sentence1)| set(sentence2))

编辑：您的代码中还有一个错误，您正在绘制错误列表中的标签。

使用TSNE嵌入可视化的单词不清晰

对于TSNE

1 个答案: