Spacy与Word2Vec中的文档相似性

Question

我有一个约有1.2万个文档的利基语料库，并且我想测试具有相似含义的几乎重复的文档-考虑有关不同新闻机构报道的同一事件的文章。

我尝试过gensim的Word2Vec，即使测试文档在语料库中，它也给我带来极好的相似度得分（<0.3），并且我尝试了SpaCy，它给我> 5k相似度> 0.9的文档。我测试了SpaCy最相似的文档，但是它几乎没有用。

这是相关的代码。

tfidf = models.TfidfModel(corpus)
corpus_tfidf = tfidf[corpus]                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                             
lsi = models.LsiModel(corpus, id2word=dictionary, num_topics=40)
doc = preprocess(query)
vec_bow = dictionary.doc2bow(doc)
vec_lsi_tfidf = lsi[tfidf[vec_bow]] # convert the query to LSI space
index = similarities.Similarity(corpus = corpus, num_features = len(dictionary), output_prefix = "pqr")
sims = index[vec_lsi_tfidf] # perform a similarity query against the corpus
most_similar = sorted(list(enumerate(sims)), key = lambda x:x[1])

for mid in most_similar[-100:]:
    print(mid, file_list[mid[0]])

使用gensim，我发现了一种不错的方法，并进行了一些预处理，但是相似性评分仍然很低。有没有人遇到过这样的问题，是否有一些有用的资源或建议？

Answer 1

我会发表评论，但是我没有足够的声誉！在NLP中，很容易陷入方法中而忘记了预处理。

1）删除停用词/最常用词

2）合并单词对-查看SpaCy的文档

即“纽约市”成为其自己的唯一标记，而不是“新”，“约克”，“城市”

https://spacy.io/usage/linguistic-features

3）使用Doc2Vec而不是Word2Vec（由于您已经在使用gensim，因此应该很难理解这一点，它们有自己的实现）

然后，完成所有这些操作后，您将拥有文档向量，这可能会给您带来更好的分数。另外，请记住，您拥有的12k文档只是事物总体方案中的少量示例。