使用 python 句子的 word2vec 查找 2 个句子之间的相似度

Question

我想使用 word2vectors 计算两个句子之间的相似度，我试图获取一个句子的向量，以便我可以计算句子向量的平均值以找到余弦相似度。我已经尝试过这段代码，但它不起作用。它的输出给出带有 1 的句子向量。我想要句子_1_avg_向量和句子_2_avg_向量中句子的实际向量。

代码：

    #DataSet#
    sent1=[['What', 'step', 'step', 'guide', 'invest', 'share', 'market', 'india'],['What', 'story', 'Kohinoor', 'KohiNoor', 'Diamond']]
    sent2=[['What', 'step', 'step', 'guide', 'invest', 'share', 'market'],['What', 'would', 'happen', 'Indian', 'government', 'stole', 'Kohinoor', 'KohiNoor', 'diamond', 'back']]
    sentences=sent1+sent2

    #''''Applying Word2vec''''#
    word2vec_model=gensim.models.Word2Vec(sentences, size=100, min_count=5)
    bin_file="vecmodel.csv"
    word2vec_model.wv.save_word2vec_format(bin_file,binary=False)

    #''''Making Sentence Vectors''''#
    def avg_feature_vector(words, model, num_features, index2word_set):
        #function to average all words vectors in a given paragraph
        featureVec = np.ones((num_features,), dtype="float32")
        #print(featureVec)
        nwords = 0
        #list containing names of words in the vocabulary
        index2word_set = set(model.wv.index2word)# this is moved as input param for performance reasons
        for word in words:
            if word in index2word_set:
                nwords = nwords+1
                featureVec = np.add(featureVec, model[word])
                print(featureVec)
        if(nwords>0):
            featureVec = np.divide(featureVec, nwords)
        return featureVec

    i=0
    while i<len(sent1):
        sentence_1_avg_vector = avg_feature_vector(mylist1, model=word2vec_model, num_features=300, index2word_set=set(word2vec_model.wv.index2word))
        print(sentence_1_avg_vector)

        sentence_2_avg_vector = avg_feature_vector(mylist2, model=word2vec_model, num_features=300, index2word_set=set(word2vec_model.wv.index2word))
        print(sentence_2_avg_vector)

        sen1_sen2_similarity =  1 - spatial.distance.cosine(sentence_1_avg_vector,sentence_2_avg_vector)
        print(sen1_sen2_similarity)

        i+=1

该代码给出的输出：

[ 1.  1.  ....  1.  1.]
[ 1.  1.  ....  1.  1.]
0.999999898245
[ 1.  1.  ....  1.  1.]
[ 1.  1.  ....  1.  1.]
0.999999898245

Answer 1

我认为您想要实现的目标如下：

1. 从 word2vec 获取句子中每个单词的向量表示。
2. 对句子的所有词向量进行平均以获得句子表示。
3. 计算两个句子向量之间的余弦相似度。

虽然 2 和 3 的代码一般对我来说看起来不错（虽然还没有测试过），但问题可能出在步骤 1 中。您在代码中执行的操作

word2vec_model=gensim.models.Word2Vec(sentences, size=100, min_count=5)

是初始化一个新的word2vec模型。如果您随后调用word2vec_model.train()，gensim 会在您的句子上训练一个新模型，以便您随后可以对每个单词使用生成的向量。但是，为了获得捕获相似性等有用的词向量，您通常需要在大量数据上训练 word2vec 模型 - Google 提供的模型是在 1000 亿个单词上进行训练的。

您可能想要做的是使用预训练的 word2vec 模型并在代码中将其与 gensim 一起使用。根据gensim 的文档，这可以使用该KeyedVectors.load_word2vec_format方法来完成。