Dies ist die Aufzeichnung der 86. "Wortvektoranzeige" von Language Processing 100 Knock 2015. Zeigen Sie diesmal einfach den Wortvektor an, der mit [Letzter Schlag] auf 300 Dimensionen komprimiert wurde (https://qiita.com/FukuharaYohei/items/f3d975e7a9a801dd29fc). Es ist sehr einfach, weil Sie nur die Ergebnisse sehen. Kapitel 9: Vektorraummethode (I) wurde bisher stark geklopft, ist aber danach grundlegend Es gibt nicht viel schwere Verarbeitung, da nur das Ergebnis verwendet wird.
| Verknüpfung | Bemerkungen |
|---|---|
| 086.Anzeige des Wortvektors.ipynb | Antwortprogramm GitHub Link |
| 100 Klicks Amateur-Sprachverarbeitung:86 | Ich bin Ihnen immer mit 100 Sprachverarbeitungsklopfen zu Dank verpflichtet |
| Art | Ausführung | Inhalt |
|---|---|---|
| OS | Ubuntu18.04.01 LTS | Es läuft virtuell |
| pyenv | 1.2.15 | Ich benutze pyenv, weil ich manchmal mehrere Python-Umgebungen benutze |
| Python | 3.6.9 | python3 auf pyenv.6.Ich benutze 9 3.7 oder 3.Es gibt keinen tiefen Grund, keine 8er-Serie zu verwenden Pakete werden mit venv verwaltet |
In der obigen Umgebung verwende ich die folgenden zusätzlichen Python-Pakete. Einfach mit normalem Pip installieren.
| Art | Ausführung |
|---|---|
| numpy | 1.17.4 |
| pandas | 0.25.3 |
enwiki-20150112-400-r10-105752.txt.bz2 Ist der Text von 105.752 Artikeln zufällig 1/10 aus den Artikeln ausgewählt, die zum 12. Januar 2015 aus etwa 400 Wörtern oder mehr der englischen Wikipedia-Artikel bestehen und im bzip2-Format komprimiert sind. Gibt es. Mit diesem Text als Korpus möchte ich einen Vektor (verteilten Ausdruck) lernen, der die Bedeutung eines Wortes ausdrückt. In der ersten Hälfte von Kapitel 9 wird der Prozess des Lernens des Wortvektors implementiert, indem er in mehrere Prozesse unterteilt wird, indem die Hauptkomponentenanalyse auf die aus dem Korpus erstellte Matrix für das gleichzeitige Auftreten von Wortkontexten angewendet wird. In der zweiten Hälfte von Kapitel 9 wird der durch Lernen erhaltene Wortvektor (300 Dimensionen) verwendet, um die Ähnlichkeit von Wörtern zu berechnen und zu analysieren (analog).
Beachten Sie, dass bei gehorsamer Implementierung von Problem 83 eine große Menge (ca. 7 GB) Hauptspeicher erforderlich ist. Wenn Ihnen der Speicher ausgeht, erstellen Sie einen Prozess oder einen 1/100 Stichproben-Korpus enwiki-20150112-400-r100-10576.txt.bz2. Verwenden Sie /nlp100/data/enwiki-20150112-400-r100-10576.txt.bz2).
Diesmal * 1/100 Stichprobenkorpus enwiki-20150112-400-r100-10576.txt.bz2 400-r100-10576.txt.bz2) "* wird verwendet.
Lesen Sie das in> 85 erhaltene Wortbedeutungsvektor und zeigen Sie den Vektor "USA" an. Beachten Sie jedoch, dass "USA" intern als "United_States" bezeichnet wird.
import numpy as np
import pandas as pd
#Ich habe beim Speichern keine Argumente angegeben'arr_0'Gespeichert in
matrix_x300 = np.load('085.matrix_x300.npz')['arr_0']
print('matrix_x300 Shape:', matrix_x300.shape)
group_t = pd.read_pickle('./083_group_t.zip')
# 'United States'Wortvektoranzeige
print(matrix_x300[group_t.index.get_loc('United_States')])
Laden Sie die Datei im npz-Format, die beim letzten Klopfen gespeichert wurde. Sofern beim Speichern nicht anders angegeben, scheint es in arr_0 gespeichert zu sein. Der Grund für die Verwendung des Index ist, dass das npz-Format mehrere Arrays gleichzeitig speichern kann.
#Ich habe beim Speichern keine Argumente angegeben'arr_0'Gespeichert in
matrix_x300 = np.load('085.matrix_x300.npz')['arr_0']
Da das oben gelesene Array keine Wortinformationen enthält, ["Sprachverarbeitung 100 Knocks-83 (unter Verwendung von Pandas): Messen der Wort- / Kontextfrequenz"](https://qiita.com/FukuharaYohei/items/ 9696afb342aa367ae5d1) Liest die als Wörterbuch gespeicherten Informationen zum Zielwort (Zielwort).
group_t = pd.read_pickle('./083_group_t.zip')
Sie müssen lediglich den Vektor anzeigen.
# 'United States'Wortvektoranzeige
print(matrix_x300[group_t.index.get_loc('United_States')])
Da es sich um eine Liste von Zahlen handelt, ist es nicht sehr sinnvoll, sie zu schreiben, aber die ersten Elemente werden so ausgegeben.
[ 3.54543797e+00 -7.83172862e-01 1.02182432e-01 6.22943904e+00
2.48960832e+00 -1.19176940e+00 -2.23164453e+00 3.68785814e-01
Danach weggelassen