我想使用word2vec的输出嵌入(例如本文中的内容)(通过双重单词嵌入来提高文档排名)。
我知道输入向量在syn0中,如果负采样,则输出向量在syn1和syn1neg中。
但是当我用输出向量计算most_like时,由于删除了syn1或syn1neg,我在某些范围内得到了相同的结果。
这就是我得到的。
IN[1]: model = Word2Vec.load('test_model.model')
IN[2]: model.most_similar([model.syn1neg[0]])
OUT[2]: [('of', -0.04402521997690201),
('has', -0.16387106478214264),
('in', -0.16650712490081787),
('is', -0.18117375671863556),
('by', -0.2527652978897095),
('was', -0.254993200302124),
('from', -0.2659570872783661),
('the', -0.26878535747528076),
('on', -0.27521973848342896),
('his', -0.2930959463119507)]
但是另一个syn1neg numpy向量已经是类似的输出。
IN[3]: model.most_similar([model.syn1neg[50]])
OUT[3]: [('of', -0.07884830236434937),
('has', -0.16942456364631653),
('the', -0.1771494299173355),
('his', -0.2043554037809372),
('is', -0.23265135288238525),
('in', -0.24725285172462463),
('by', -0.27772971987724304),
('was', -0.2979024648666382),
('time', -0.3547973036766052),
('he', -0.36455872654914856)]
我想获得训练期间保留的输出numpy数组(是否为负)。
让我知道如何访问纯syn1或syn1neg或代码,或者某些word2vec模块可以获取输出嵌入。
对于负采样,syn1neg
权重是每个字的权重,其顺序与相同syn0
。
您的两个示例给出相似结果的事实并不一定表明有什么错误。默认情况下,单词是按频率排序的,因此,早期单词(包括位置0和50的单词)是非常常见的单词,具有基于共现的含义(可能彼此接近)。
选择一个具有更独特含义的中频单词,您可能会得到更有意义的结果(如果您的语料库/设置/需求足够类似于“双词嵌入”论文的内容)。例如,您可能要比较:
model.most_similar('cousin')
...与...
model.most_similar(positive=[model.syn1neg[model.vocab['cousin'].index])
但是,在所有情况下,现有most_similar()
方法仅在syn0
-论文术语的“ IN”向量中查找相似向量。因此,我相信上面的代码只会真正计算出论文所称的“ OUT-IN”相似度:列出了哪些IN向量与给定的OUT向量最相似。实际上,他们似乎吹捧相反的“ IN-OUT”相似性,因为它很有用。(那是与给定的IN向量最相似的OUT向量。)
gensim的最新版本引入了一个KeyedVectors
类,用于表示一组由字词键控的单词向量,与特定的Word2Vec模型或其他训练方法分开。你可能会创建一个额外的KeyedVectors
实例,它取代了通常syn0
用syn1neg
,走出名单载体类似于目标向量(和由此计算前n“IN-OUT”相似,甚至“OUT-OUT”相似)。
例如,这可能有效(我没有测试过):
outv = KeyedVectors()
outv.vocab = model.wv.vocab # same
outv.index2word = model.wv.index2word # same
outv.syn0 = model.syn1neg # different
inout_similars = outv.most_similar(positive=[model['cousin']])
syn1
仅在使用分层抽样时才存在,并且不清楚单个单词的“输出嵌入”将在哪里。(有多个输出节点对应于预测一个单词,并且它们都需要更接近各自的正确0/1值才能预测单个单词。因此,与`syn1neg不同,没有一个地方可以读取一个向量,这意味着一个单词的输出。您可能必须计算/逼近一些hidden-> output权重集合,这会将这些多个输出节点驱动到正确的值。)
本文收集自互联网,转载请注明来源。
如有侵权,请联系 [email protected] 删除。
我来说两句