通过查找单词的线性代数结构来评估 Word2Vec 模型
Evaluating Word2Vec model by finding linear algebraic structure of words
我在 python.I 中使用 gensim 库构建了 Word2Vec 模型，想按如下方式评估我的词嵌入
If A is related to B and C is related to D, then A-C+B should be equal to D. For example, embedding vector arithmetic of "India"-"Rupee"+"Japan" should be equal to the embedding of "Yen".
我已经使用了 gensim 的内置函数，如 predict_output_word、most_similar，但无法获得所需的结果。
new_model.predict_output_word(['india','rupee','japan'],topn=10)
new_model.most_similar(positive=['india', 'rupee'], negative=['japan'])
请帮助我根据上述标准评估我的模型。
您应该以与 accuracy() 方法相同的方式处理 most_similar() 方法的 positive 和 negative 参数：
具体来说，如果您有 "A is to B as C is to [expected]" 形式的类比，您应该查看：
results = model.most_similar(positive=[word_b, word_c], negative=[word_a])
或者在你的例子中：
results = model.most_similar(positive=['rupee', 'japan'], negative=['india'])
我在 python.I 中使用 gensim 库构建了 Word2Vec 模型，想按如下方式评估我的词嵌入
If A is related to B and C is related to D, then A-C+B should be equal to D. For example, embedding vector arithmetic of "India"-"Rupee"+"Japan" should be equal to the embedding of "Yen".
我已经使用了 gensim 的内置函数，如 predict_output_word、most_similar，但无法获得所需的结果。
new_model.predict_output_word(['india','rupee','japan'],topn=10)
new_model.most_similar(positive=['india', 'rupee'], negative=['japan'])
请帮助我根据上述标准评估我的模型。
您应该以与 accuracy() 方法相同的方式处理 most_similar() 方法的 positive 和 negative 参数：
具体来说，如果您有 "A is to B as C is to [expected]" 形式的类比，您应该查看：
results = model.most_similar(positive=[word_b, word_c], negative=[word_a])
或者在你的例子中：
results = model.most_similar(positive=['rupee', 'japan'], negative=['india'])