0

我在 R 中使用 text2vec 包来训练词嵌入（手套模型）：

library(text2vec)
library(tm)

prep_fun = tolower
tok_fun = word_tokenizer
tokens = docs %>%  # docs: a collection of text documents  
prep_fun %>% 
tok_fun

it = itoken(tokens, progressbar = FALSE)

stopword <- tm::stopwords("SMART")
vocab = create_vocabulary(it,stopwords=stopword) 

vectorizer <- vocab_vectorizer(vocab)

tcm <- create_tcm(it, vectorizer, skip_grams_window = 6)

x_max <- min(50,max(10,ceiling(length(vocab$doc_count)/100)))
glove_model <- GlobalVectors$new(word_vectors_size = 200, vocabulary = vocab, x_max = x_max,learning_rate = 0.1) 

word_vectors <- glove_model$fit_transform(tcm, n_iter = 1000, convergence_tol = 0.001)

当我运行此代码时，我得到以下输出： 在此处输入图像描述

我的问题是：

  1. 是否有可能在每 n 次迭代后输出，即 epoch 50、100、150 等的输出。
  2. 对于 word_vectors_size、x_max 和 learning_rate 的最佳值有什么建议吗？例如对于 10,000 个文档，这些参数的最佳值是多少？

感谢您的回复。

非常感谢，山姆

4

1 回答 1

0

有一个GlobalVectors名为 的类的成员n_dump_every。您可以将其设置为某个数字，并且将保存单词嵌入的历史记录。然后可以用get_history()函数检索

glove_model <- GlobalVectors$new(word_vectors_size = 200, vocabulary = vocab, x_max = 100,learning_rate = 0.1) 
glove_model$n_dump_every = 10
word_vectors <- glove_model$fit_transform(tcm, n_iter = 1000, convergence_tol = 0.001)
trace = glove_model$get_history()

关于第二个问题——

  • 您可以尝试稍微改变学习率（通常会降低），但默认值应该没问题（跟踪成本函数的值）。
  • 您拥有的数据越多，您可以提供的价值就越大word_vectors_size。对于维基百科，300 大小通常就足够了。对于较小的数据集，您可以从 20-50 开始。你真的需要试验一下。
于 2018-08-14T11:29:50.927 回答