Question

首次使用word2vec，并且正在使用的文件为XML格式。我想遍历专利以找到每个标题，然后应用word2vec来查看是否有相似的词（以表示相似的标题）。

到目前为止，我已经使用元素树解析了XML文件以检索每个标题，然后我应用了sent_tokenizer，然后使用了tweet tokenizer返回了一个单词列表，其中每个单词都被标记了（不是确定这是否是最好的方法）。然后，我将标记化的句子放入我的word2vec模型中，并用一个词进行测试以查看其是否返回向量。这似乎仅适用于第一句话中的一个单词。我不确定它是否能识别所有句子？

    import numpy as np
    import pandas as pd
    import gensim
    import nltk
    import xml.etree.ElementTree as ET
    from gensim.models.word2vec import Word2Vec
    from nltk.tokenize import word_tokenize
    from nltk.tokenize import sent_tokenize
    from nltk.corpus import stopwords
    from nltk.tokenize import TweetTokenizer, sent_tokenize

    tree = ET.parse('6785.xml')
    root = tree.getroot()

    for child in root.iter("Title"):
        Patent_Title = child.text
        sentence = Patent_Title
        stopWords = set(stopwords.words('english'))
        tokens = nltk.sent_tokenize(sentence)
        print(tokens)

        tokenizer_words = TweetTokenizer()
        tokens_sentences = [tokenizer_words.tokenize(t) for t in tokens]
        #print(tokens_sentences)

        model = gensim.models.Word2Vec(tokens_sentences, min_count=1,size=32)
        words = list(model.wv.vocab)
        print(words)
        print(model['Solar'])

我希望它能够识别句子中的“太阳能”一词并打印出矢量，然后我才能寻找相似的词。我收到error：

单词'Solar'不在词汇表中

Answer 1

只需将错误作为第一次循环发生时的例外处理即可。

# print(model['Solar'])
try:
    print(model['Solar'])
except Exception as e:
    pass

工作代码：

import numpy as np
import pandas as pd
import gensim
import nltk
import xml.etree.ElementTree as ET
from gensim.models.word2vec import Word2Vec
from nltk.tokenize import word_tokenize
from nltk.tokenize import sent_tokenize
from nltk.corpus import stopwords
from nltk.tokenize import TweetTokenizer, sent_tokenize

tree = ET.parse('6785.xml')
root = tree.getroot()

for child in root.iter("Title"):
    Patent_Title = child.text
    sentence = Patent_Title
    stopWords = set(stopwords.words('english'))
    tokens = nltk.sent_tokenize(sentence)
    print(tokens)

    tokenizer_words = TweetTokenizer()
    tokens_sentences = [tokenizer_words.tokenize(t) for t in tokens]
    #print(tokens_sentences)

    model = gensim.models.Word2Vec(tokens_sentences, min_count=1,size=32)
    words = list(model.wv.vocab)
    print(words)
    try:
        print(model['Solar'])
    except Exception as e:
        pass

Answer 2

这仅仅是因为Solar不在您的语料库中。

Word2Vec尝试为您的tokens_sentences中的每个单词生成单词向量。如果训练语料库中没有您尝试查找的单词/令牌，则word2vec将没有该单词的单词向量，这就是为什么您会出错的原因。

建议：尝试使文本数据不区分大小写。也就是说，将所有文本都小写（大写也可以，但惯例不行。）

单词不在词汇表中

2 个答案: