如何构建合适的H2O word2vec training_frame

Question

如何构建H2O word2vec training_frame来区分不同的文档/句子等？

据我从所找到的非常有限的文档中可以读到的内容，您只是提供了一长串单词？如

'This' 'is' 'the' 'first' 'This' 'is' 'number' 'two'

然而，能够区分–理想的情况是这样的：

Name   | ID
This   | 1
is     | 1
the    | 1
first  | 1
This   | 2
is     | 2
number | 2
two    | 2

有可能吗？

Answer 1

word2vec是一种无监督学习：将字符串数据转换为数字。因此，要进行分类，您需要执行两个步骤：

• word2vec将字符串转换为数字
• 任何将数字分类的有监督学习技术

documentation包含指向R和Python中每个分类示例的链接。 This tutorial在不同的数据集上显示了相同的过程（并且应该附带一个H2O World 2017视频）。

顺便说一句，在您的原始示例中，您不只是提供单词；句子之间用NA分隔。如果您给h2o.tokenize()提供一个句子向量，它将为您提供这种格式。因此，您的示例实际上是：

  

'这''是''该''第一'NA'这''是''数字''两个'