时间戳

首页 > 解决方案 > 如何在 Keras Word Embedding 层中查找相似词

keras - 如何在 Keras Word Embedding 层中查找相似词

问题描述

从斯坦福的 CS244N 课程中，我知道 Gensim 提供了一种奇妙的方法来处理嵌入数据：most_similar

我试图在 Keras 嵌入层中找到一些等价物，但我做不到。Keras不可能开箱即用？还是它上面有任何包装？

标签： kerasword-embedding

解决方案

一个简单的实现是：

def most_similar(emb_layer, pos_word_idxs, neg_word_idxs=[], top_n=10):
    weights = emb_layer.weights[0]

    mean = []
    for idx in pos_word_idxs:
        mean.append(weights.value()[idx, :])

    for idx in neg_word_idxs:
        mean.append(weights.value()[idx, :] * -1)

    mean = tf.reduce_mean(mean, 0)

    dists = tf.tensordot(weights, mean, 1)
    best = tf.math.top_k(dists, top_n)

    # Mask words used as pos or neg
    mask = []
    for v in set(pos_word_idxs + neg_word_idxs):
        mask.append(tf.cast(tf.equal(best.indices, v), tf.int8))
    mask = tf.less(tf.reduce_sum(mask, 0), 1)

    return tf.boolean_mask(best.indices, mask), tf.boolean_mask(best.values, mask)

当然，您需要知道单词的索引。我假设你有一个word2idx映射，所以你可以像这样得到它们[word2idx[w] for w in pos_words]：

要使用它：

# Assuming the first layer is the Embedding and you are interested in word with idx 10
idxs, vals = most_similar(model.layers[0], [10])

with tf.Session() as sess:
    init = tf.global_variables_initializer()
    sess.run(init)
    idxs = sess.run(idxs)
    vals = sess.run(vals)

该功能的一些潜在改进：

  • 确保它返回top_n单词（在掩码之后返回更少的单词）
  • gensim使用归一化嵌入 (L2_norm)

推荐阅读