Question

我有一个基于doc2vec的模型，该模型经过多个文档训练。我想使用该模型来推断另一个文档的向量，我想将其用作比较的语料库。因此，当我寻找与我介绍的句子最相似的句子时，它将使用此新文档向量而不是经过训练的语料库。目前，我正在使用infer_vector()为新文档的每个句子计算向量，但是我无法在获得的向量列表中使用most_similar()函数，它必须是KeyedVectors。

我想知道是否可以通过某种方式为新文档计算这些向量，以允许使用most_similar()函数，或者是否必须计算每个句子之间的相似度新文档和我分别介绍的句子（在这种情况下，Gensim中是否有任何实现可以让我计算两个向量之间的余弦相似度？）。

我是Gensim和NLP的新手，欢迎您提出建议。

由于这是大学的项目，因此我无法提供完整的代码，但这是我遇到问题的主要部分。

对数据进行一些预处理之后，这就是我训练模型的方式：

documents = [TaggedDocument(doc, [i]) for i, doc in enumerate(train_data)]
assert gensim.models.doc2vec.FAST_VERSION > -1

cores = multiprocessing.cpu_count()

doc2vec_model = Doc2Vec(vector_size=200, window=5, workers=cores)
doc2vec_model.build_vocab(documents)
doc2vec_model.train(documents, total_examples=doc2vec_model.corpus_count, epochs=30)

我尝试通过这种方式为新文档计算向量：

questions = [doc2vec_model.infer_vector(line) for line in lines_4]

然后我尝试计算新文档向量和输入短语之间的相似度：

text = str(input('Me: '))

tokens = text.split()

new_vector = doc2vec_model.infer_vector(tokens)

index = questions[i].most_similar([new_vector])

Answer 1

大约一个月前，我在gensim == 3.2.0中使用了一个肮脏的解决方案（语法可能已更改）。

您可以将推断的矢量保存为KeyedVectors格式。

from gensim.models import KeyedVectors
from gensim.models.doc2vec import Doc2Vec
vectors = dict()
# y_names = doc2vec_model.docvecs.doctags.keys()
y_names = range(len(questions))

for name in y_names:
    # vectors[name] = doc2vec_model.docvecs[name]
    vectors[str(name)] = questions[name]
f = open("question_vectors.txt".format(filename), "w")
f.write("")
f.flush()
f.close()
f = open("question_vectors.txt".format(filename), "a")
f.write("{} {}\n".format(len(questions), doc2vec_model.vector_size))
for v in vectors:
    line = "{} {}\n".format(v, " ".join(questions[v].astype(str)))
    f.write(line)
f.close()

然后您可以加载并使用most_同类功能

keyed_model = KeyedVectors.load_word2vec_format("question_vectors.txt")
keyed_model.most_similar(str(list(y_names)[0]))

另一种解决方案（例如，如果问题的数量不是很高），例如，将问题转换为np.array并获得余弦距离），例如

import numpy as np

questions = np.array(questions)
texts_norm = np.linalg.norm(questions, axis=1)[np.newaxis].T
norm = texts_norm * texts_norm.T

product = np.matmul(questions, questions.T)
product = product.T / norm

# Otherwise the item is the closest to itself
for j in range(len(questions)):
    product[j, j] = 0

# Gives the top 10 most similar items to the 0th question
np.argpartition(product[0], 10)

Gensim Doc2vec模型：如何计算使用预训练的doc2vec模型获得的语料库的相似度？

1 个答案: