在gensim Word2Vec模型中匹配单词和向量

Question

我已经让 gensim Word2Vec 实现为我计算了一些词嵌入。据我所知，一切都非常顺利；现在我正在对创建的词向量进行聚类，希望得到一些语义分组。

下一步，我想查看每个集群中包含的单词（而不是向量）。 IE。如果我有嵌入向量 [x, y, z]，我想找出这个向量代表的实际单词。我可以通过调用 model.vocab 获得 words/Vocab 项，通过 model.syn0 获得词向量。但是我找不到明确匹配这些的位置。

这比我预期的要复杂，我觉得我可能错过了这样做的明显方法。感谢您的帮助！

问题：

将单词与 Word2Vec () 创建的嵌入向量匹配——我该怎么做？

我的做法：

创建模型（下面的代码*）后，我现在想将分配给每个单词的索引（在 build_vocab() 阶段）与输出为 model.syn0 的向量矩阵相匹配。于是

for i in range (0, newmod.syn0.shape[0]): #iterate over all words in model
    print i
    word= [k for k in newmod.vocab if newmod.vocab[k].__dict__['index']==i] #get the word out of the internal dicationary by its index
    wordvector= newmod.syn0[i] #get the vector with the corresponding index
    print wordvector == newmod[word] #testing: compare result of looking up the word in the model -- this prints True

有没有更好的方法，例如通过将向量输入模型来匹配单词？
这甚至能让我得到正确的结果吗？

*我创建词向量的代码：

model = Word2Vec(size=1000, min_count=5, workers=4, sg=1)
        
model.build_vocab(sentencefeeder(folderlist)) #sentencefeeder puts out sentences as lists of strings

model.save("newmodel")

我找到了类似但还没有真正回答。

Answer 1

如果您只想将 word 映射到 vector，您可以简单地使用 [] 运算符，例如model["hello"]会给你hello对应的向量

如果您需要从向量中恢复单词，您可以按照您的建议遍历向量列表并检查匹配项。然而，这是低效的并且不是 pythonic 的。一个方便的解决方案是使用word2vec模型的similar_by_vector方法，像这样：

import gensim

documents = [['human', 'interface', 'computer'],
 ['survey', 'user', 'computer', 'system', 'response', 'time'],
 ['eps', 'user', 'interface', 'system'],
 ['system', 'human', 'system', 'eps'],
 ['user', 'response', 'time'],
 ['trees'],
 ['graph', 'trees'],
 ['graph', 'minors', 'trees'],
 ['graph', 'minors', 'survey']]

model = gensim.models.Word2Vec(documents, min_count=1)
print model.similar_by_vector(model["survey"], topn=1)

输出：

[('survey', 1.0000001192092896)]

其中数字代表相似度。

然而，这种方法仍然效率低下，因为它仍然需要扫描所有的词向量来搜索最相似的词向量。解决您的问题的最佳方法是 找到一种在聚类过程中跟踪向量的方法，这样您就不必依赖昂贵的反向映射。

Answer 2

正如@bpachev 提到的，gensim 确实有一个按向量搜索的选项，即 similar_by_vector。

然而，它实现了一种强力线性搜索，即计算给定向量与词汇表中所有单词的向量之间的余弦相似度，并给出顶部邻居。如另一个中所述，另一种选择是使用 FLANN 等近似最近邻搜索算法。

分享一个展示相同内容的要点： https://gist.github.com/kampta/139f710ca91ed5fabaf9e6616d2c762b

Answer 3

我已经搜索了很长时间以找到 syn0 矩阵和词汇表之间的映射...这里是答案：使用 model.index2word 这只是按正确顺序排列的单词列表！

这不在官方文档中（为什么？）但可以直接在源代码中找到：https://github.com/RaRe-Technologies/gensim/blob/3b9bb59dac0d55a1cd6ca8f984cead38b9cb0860/gensim/models/word2vec.py#L441

Answer 4

所以我找到了一个简单的方法来做到这一点，其中 nmodel 是您的模型的名称。

#zip the two lists containing vectors and words
zipped = zip(nmodel.wv.index2word, nmodel.wv.syn0)

#the resulting list contains `(word, wordvector)` tuples. We can extract the entry for any `word` or `vector` (replace with the word/vector you're looking for) using a list comprehension:
wordresult = [i for i in zipped if i[0] == word]
vecresult = [i for i in zipped if i[1] == vector]

这是基于gensim code。对于旧版本的 gensim，您可能需要在模型后删除 wv。

在gensim Word2Vec模型中匹配单词和向量

Matching words and vectors in gensim Word2Vec model

python

vector

machine-learning

gensim

word2vec

问题：

我的做法：