将单词转换为潜在语义分析 (LSA) 向量

Question

有人对如何使用 Python 和 scikit-learn 将文档中的单词转换为 LSA 向量有任何建议吗？我发现这些网站 here and here 描述了如何将整个文档转换为 lsa 向量，但我对转换单个单词本身很感兴趣。

最终结果是对每个句子的所有向量（代表每个单词）求和，然后比较连续的句子以评估语义相似性。

Answer 1

把一个句子或一个词变成一个向量和用文档做没有什么不同，一个句子就像一个简短的文档，一个词就像一个非常非常短的文档。从第一个 link 开始，我们就有了将文档映射到向量的代码：

def makeVector(self, wordString):
        """ @pre: unique(vectorIndex) """

        #Initialise vector with 0's
        vector = [0] * len(self.vectorKeywordIndex)
        wordList = self.parser.tokenise(wordString)
        wordList = self.parser.removeStopWords(wordList)
        for word in wordList:
                vector[self.vectorKeywordIndex[word]] += 1; #Use simple Term Count Model
        return vector

可以使用相同的函数将句子或单个词映射到向量。只需将它们传递给此函数即可。简而言之，wordList 的结果将是一个包含单个值的数组，例如：["word"] 然后在映射之后，结果向量将是一个包含 [=16] 的 unit vector =] 在关联的维度和 0s 在其他地方。

示例：

vectorKeywordIndex（代表词汇表中的所有单词）：

{"hello" : 0, "world" : 1, "this" : 2, "is" : 3, "me" : 4, "answer" : 5}

文件"this is me"：[0, 0, 1, 1, 1, 0]

文件"hello answer me"：[1, 0, 0, 0, 1, 1]

单词"hello"：[1, 0, 0, 0, 0, 0]

单词"me"：[0, 0, 0, 0, 1, 0]

之后可以使用以下代码通过余弦相似度等多个标准评估相似度：

def cosine(vector1, vector2):
        """ related documents j and q are in the concept space by comparing the vectors using the code:
                cosine  = ( V1 * V2 ) / ||V1|| x ||V2|| """
        return float(dot(vector1,vector2) / (norm(vector1) * norm(vector2)))

或使用 scikit-learn 的 sklearn.metrics.pairwise.cosine_similarity.

from sklearn.metrics.pairwise import cosine_similarity
sim = cosine_similarity(x, y)

将单词转换为潜在语义分析 (LSA) 向量

Transforming words into Latent Semantic Analysis (LSA) Vectors

python

vector

tf-idf

lsa

scikit-learn