word2vec

Question

读取tensorflow word2vec模型输出如何输出与特定词相关的词？

阅读src : https://github.com/tensorflow/tensorflow/blob/r0.11/tensorflow/examples/tutorials/word2vec/word2vec_basic.py可以查看图像是如何绘制的。

但是是否有一种数据结构（例如字典）作为训练模型的一部分而创建，允许访问最接近给定词的最近的 n 个词？例如，如果 word2vec 生成图像：

图片来源：https://www.tensorflow.org/versions/r0.11/tutorials/word2vec/index.html

在这张图片中，单词 'to , he , it' 包含在同一个簇中，是否有一个函数将 'to' 作为输入并输出 'he , it'（在本例中为 n=2）？

Answer 1

这种方法一般适用于word2vec。如果您可以将 word2vec 保存在 text/binary 文件中，例如 google/GloVe word vector. Then what you need is just the gensim.

要安装：

Via github

Python代码：

from gensim.models import Word2Vec

gmodel=Word2Vec.load_word2vec_format(fname)
ms=gmodel.most_similar('good',10)
for x in ms:
    print x[0],x[1]

然而，这将搜索所有单词以提供结果，有近似最近邻 (ANN) 可以更快地为您提供结果，但会牺牲准确性。

在最新的gensim中，annoy is used to perform the ANN, see this notebooks了解更多信息。

Flann is another library for Approximate Nearest Neighbors.

Answer 2

在 gensim.models.Word2Vec 模型上获取 gensim and use similar_by_word 方法。

similar_by_word需要3个参数，

输入的单词
n - 前 n 个相似词（可选，默认=10）
restrict_vocab（可选，默认=None）

例子

import gensim, nltk

class FileToSent(object):
   """A class to load a text file efficiently """   
    def __init__(self, filename):
        self.filename = filename
        # To remove stop words (optional)
        self.stop = set(nltk.corpus.stopwords.words('english'))

    def __iter__(self):
        for line in open(self.filename, 'r'):
            ll = [i for i in unicode(line, 'utf-8').lower().split() if i not in self.stop]
            yield ll

然后根据你输入的句子(sentence_file.txt),

sentences = FileToSent('sentence_file.txt')
model = gensim.models.Word2Vec(sentences=sentences, min_count=2, hs=1)
print model.similar_by_word('hack', 2) # Get two most similar words to 'hack'
# [(u'debug', 0.967338502407074), (u'patch', 0.952264130115509)] (Output specific to my dataset)

Answer 3

我假设您不想使用 gensim，而更愿意坚持使用 tensorflow。那样的话，我会提供两种选择

选项 1 - Tensorboard：

如果您只是从探索的角度尝试这样做，我建议您使用 Tensorboard 的嵌入可视化工具来搜索最接近的嵌入。它提供了一个很酷的界面，您可以将余弦和欧几里得距离与一定数量的邻居一起使用。

Link to Tensorflow documentation

选项 2 - 直接计算

在 word2vec_basic.py 文件中，有一个例子说明了他们如何计算最接近的词，如果你稍微弄乱了这个函数，你可以继续使用它。在图表本身中发现以下内容：

# Compute the cosine similarity between minibatch examples and all embeddings.
norm = tf.sqrt(tf.reduce_sum(tf.square(embeddings), 1, keep_dims=True))
normalized_embeddings = embeddings / norm
valid_embeddings = tf.nn.embedding_lookup(
  normalized_embeddings, valid_dataset)
similarity = tf.matmul(
  valid_embeddings, normalized_embeddings, transpose_b=True)

然后，在训练期间（每 10000 步）他们运行下一段代码（在会话处于活动状态时）。当他们调用 similarity.eval() 时，它正在获取图中相似张量的文字 numpy 数组评估。

# Note that this is expensive (~20% slowdown if computed every 500 steps)
if step % 10000 == 0:
  sim = similarity.eval()
  for i in xrange(valid_size):
    valid_word = reverse_dictionary[valid_examples[i]]
    top_k = 8 # number of nearest neighbors
    nearest = (-sim[i, :]).argsort()[1:top_k+1]
    log_str = "Nearest to %s:" % valid_word
    for k in xrange(top_k):
      close_word = reverse_dictionary[nearest[k]]
      log_str = "%s %s," % (log_str, close_word)
    print(log_str)

如果你想为自己调整这个，你将不得不做一些技巧，将 reverse_dictionary[valid_examples[i]] 更改为你想要获得 k-closest 单词的 word/words idx .

word2vec - 获取最近的单词

word2vec - get nearest words

tensorflow

选项 1 - Tensorboard：

选项 2 - 直接计算