3

我在 Doc2Vec 上苦苦挣扎，我看不出我做错了什么。我有一个带有句子的文本文件。我想知道，对于给定的句子，我们可以在该文件中找到的最接近的句子是什么。

下面是创建模型的代码：

sentences = LabeledLineSentence(filename)

model = models.Doc2Vec(size=300, min_count=1, workers=4, window=5, alpha=0.025, min_alpha=0.025)
model.build_vocab(sentences)
model.train(sentences, epochs=50, total_examples=model.corpus_count)
model.save(modelName)

出于测试目的，这是我的文件：

uduidhud duidihdd
dsfsdf sdf sddfv
dcv dfv dfvdf g fgbfgbfdgnb
i like dogs
sgfggggggggggggggggg ggfggg

这是我的测试：

test = "i love dogs".split()
print(model.docvecs.most_similar([model.infer_vector(test)]))

不管训练什么参数，这显然应该告诉我最相似的句子是第 4 个（SENT_3 或 SENT_4，我不知道它们的索引是如何工作的，但句子标签是这种形式）。但结果如下：

[('SENT_0', 0.15669342875480652),
 ('SENT_2', 0.0008485736325383186),
 ('SENT_4', -0.009077289141714573)]

我错过了什么？如果我尝试使用相同的句子（我喜欢狗），我有 SENT_2，然后是 1，然后是 4……我真的不明白。为什么这么低的数字？当我连续运行几次负载时，我也没有得到相同的结果。

谢谢你的帮助

4

1 回答 1

3

Doc2Vec不适用于玩具大小的示例。（已发表的作品使用数万到数百万个文本，甚至内部的微小单元测试也gensim使用数百个文本，再加上更小的向量size和更多的iter时期，以获得几乎不可靠的结果。）

因此，我不希望您的代码具有一致或有意义的结果。在以下情况下尤其如此：

  • 用小数据维护一个大向量size（这允许严重的模型过度拟合）
  • 使用 a min_count=1（因为没有很多不同用法示例的单词无法获得好的向量）
  • 将 更改min_alpha为与较大的起始 alpha 保持相同（因为随机梯度下降学习算法通常有益的行为依赖于此更新率的逐渐衰减）
  • 使用只有几个单词的文档（因为文档向量的训练与它们包含的单词数量成比例）

最后，即使其他一切正常，infer_vector()通常也会受益于steps比默认值 5 更多（到数十或数百个），并且有时开始alpha不像其推理默认值 (0.1) 而更像训练值 (0.025)。

所以：

  • 不要改变min_count或min_alpha
  • 获得更多数据
  • 如果不是数万个文本，请使用更小的向量size和更多epochs（但意识到小数据集的结果可能仍然很弱）
  • 如果每个文本都很小，请使用更多epochs（但要意识到结果可能仍然比更长的文本弱）
  • 尝试其他infer_vector()参数，例如steps=50（或更多，尤其是小文本），以及alpha=0.025
于 2018-04-03T17:22:25.573 回答