Spacy 相似性警告：“基于空向量评估 Doc.similarity。”

Question

我正在尝试使用 FAQ 数据集进行数据增强。我用最相似的词来改变词，特别是名词，Wordnet检查与 Spacy 的相似性。我使用多个 for 循环来浏览我的数据集。

import spacy
import nltk
from nltk.corpus import wordnet as wn
import pandas as pd

nlp = spacy.load('en_core_web_md')
nltk.download('wordnet')
questions = pd.read_csv("FAQ.csv")

list_questions = []
for question in questions.values:
    list_questions.append(nlp(question[0]))

for question in list_questions: 
    for token in question:
        treshold = 0.5
        if token.pos_ == 'NOUN':
            wordnet_syn = wn.synsets(str(token), pos=wn.NOUN)  
            for syn in wordnet_syn:
                for lemma in syn.lemmas():
                    similar_word = nlp(lemma.name())
                    if similar_word.similarity(token) != 1. and similar_word.similarity(token) > treshold:
                        good_word = similar_word
                        treshold = token.similarity(similar_word)

但是，多次打印以下警告，我不明白为什么：

UserWarning：[W008] 基于空向量评估 Doc.similarity。

是我similar_word.similarity(token)造成了问题，但我不明白为什么。我的 list_questions 的形式是：

list_questions = [Do you have a paper or other written explanation to introduce your model's details?, Where is the BERT code come from?, How large is a sentence vector?]

我需要检查令牌，但也需要检查similar_word循环，例如，我仍然在这里收到错误：

tokens = nlp(u'dog cat unknownword')
similar_word = nlp(u'rabbit')

if(similar_word):
    for token in tokens:
        if (token):
            print(token.text, similar_word.similarity(token))

Answer 1

当similar_word不是有效的 spacy 文档时，您会收到该错误消息。例如，这是一个最小的可重现示例：

import spacy

nlp = spacy.load('en_core_web_md')  # make sure to use larger model!
tokens = nlp(u'dog cat')
#similar_word = nlp(u'rabbit')
similar_word = nlp(u'')

for token in tokens:
  print(token.text, similar_word.similarity(token))

如果您''将'rabbit'其更改为它工作正常。（猫显然只是比狗更类似于兔子的一小部分！）

（更新：正如您所指出的，未知词也会触发警告；它们将是有效的 spacy 对象，但没有任何词向量。）

因此，一种解决方法是similar_word在调用之前检查是否有效，包括具有有效的词向量similarity()：

import spacy

nlp = spacy.load('en_core_web_md')  # make sure to use larger model!
tokens = nlp(u'dog cat')
similar_word = nlp(u'')

if(similar_word and similar_word.vector_norm):
  for token in tokens:
    if(token and token.vector_norm):
      print(token.text, similar_word.similarity(token))

替代方法：

您可以禁止显示特定警告。是W008。我相信SPACY_WARNING_IGNORE=W008在运行脚本之前设置一个环境变量会做到这一点。（未测试。）

（见源代码）

顺便说一句，similarity()可能会导致一些 CPU 负载，因此值得将其存储在变量中，而不是像当前那样计算三倍。（有些人可能会争辩说这是过早的优化，但我认为这也可能使代码更具可读性。）