使用 python（和 gensim）实现 doc2vec

• 注意：此代码是用 python 3.6.1 (+gensim 2.3.0) 编写的

• doc2vec与gensim的python实现及应用
  

import re
import numpy as np

from gensim.models import doc2vec
from gensim.models.doc2vec import taggeddocument
from nltk.corpus import gutenberg
from multiprocessing import pool
from scipy import spatial

• 导入训练数据集
• 从nltk库导入莎士比亚的哈姆雷特语料库

sentences = list(gutenberg.sents('shakespeare-hamlet.txt'))   # import the corpus and convert into a list

print('type of corpus: ', type(sentences))
print('length of corpus: ', len(sentences))

语料库类型：类“list”
语料库长度：3106

print(sentences[0])    # title, author, and year
print(sentences[1])
print(sentences[10])

['[', 'the', '悲剧', 'of', '哈姆雷特', 'by', '威廉', '莎士比亚', '1599', ']']
['actus', 'primus', '.']
['弗兰', '.']

预处理数据

• 使用re模块预处理数据
• 将所有字母转换为小写
• 删除标点符号、数字等
• 对于doc2vec模型，输入数据应采用可迭代的taggeddocuments格式”
  • 每个 taggeddocument 实例都包含单词和标签
  • 因此，每个文档（即句子或段落）应该有一个可识别的唯一标签

for i in range(len(sentences)):
    sentences[i] = [word.lower() for word in sentences[i] if re.match('^[a-za-z]+', word)]  
print(sentences[0])    # title, author, and year
print(sentences[1])
print(sentences[10])

['the'、'悲剧'、'of'、'哈姆雷特'、'by'、'威廉'、'莎士比亚']
['actus', 'primus']
['弗兰']

for i in range(len(sentences)):
    sentences[i] = taggeddocument(words = sentences[i], tags = ['sent{}'.format(i)])    # converting each sentence into a taggeddocument
sentences[0]

taggeddocument(words=['the', 'tragedie', 'of', 'hamlet', 'by', 'william', 'shakespeare'], tags=['sent0'])

创建和训练模型

• 创建 doc2vec 模型并使用 hamlet 语料库对其进行训练
• 关键参数说明（https://radimrehurek.com/gensim/models/doc2vec.html）
  • 句子：训练数据（必须是带有标记化句子的列表）
  • size：嵌入空间的尺寸
  • sg: cbow 如果为 0，skip-gram 如果为 1
  • 窗口：每个上下文所占的单词数（如果窗口
  • 大小为3，考虑左邻域中的3个单词和右邻域中的3个单词）
  • min_count：词汇表中包含的最小单词数
  • iter：训练迭代次数
  • workers：要训练的工作线程数量

model = doc2vec(documents = sentences,dm = 1, size = 100, min_count = 1, iter = 10, workers = pool()._processes)

model.init_sims(replace = true)

保存和加载模型

• doc2vec模型可以本地保存和加载
• 这样做可以减少再次训练模型的时间

model.save('doc2vec_model')
model = doc2vec.load('doc2vec_model')

相似度计算

• 嵌入单词（即向量）之间的相似度可以使用余弦相似度等指标来计算

model.most_similar('hamlet')

[('horatio', 0.9978846311569214),
('女王', 0.9971947073936462),
('莱尔特斯', 0.9971820116043091),
('国王', 0.9968599081039429),
('妈妈', 0.9966716170310974),
('哪里', 0.9966292381286621),
('迪尔', 0.9965540170669556),
('奥菲莉亚', 0.9964221715927124),
('非常', 0.9963752627372742),
('哦', 0.9963476657867432)]

v1 = model['king']
v2 = model['queen']

# define a function that computes cosine similarity between two words
def cosine_similarity(v1, v2):
    return 1 - spatial.distance.cosine(v1, v2)

cosine_similarity(v1, v2)

0.99437165260314941

立即学习“Python免费学习笔记（深入）”；

以上就是使用 Python 进行词嵌入：docc的详细内容，更多请关注php中文网其它相关文章！