Python Doc2Vec语句聚类
我有多个包含多个句子的文档。我想使用doc2vec通过使用sklearn对句子向量进行聚类(例如k-means) 因此,我们的想法是将相似的句子分成若干组。但是,我不清楚是否必须单独训练每个文档,然后在句子向量上使用聚类算法。或者,如果我可以从doc2vec推断出一个句子向量,而不必训练每个新句子 现在,这是我的代码片段:Python Doc2Vec语句聚类,python,scikit-learn,text-mining,gensim,doc2vec,Python,Scikit Learn,Text Mining,Gensim,Doc2vec,我有多个包含多个句子的文档。我想使用doc2vec通过使用sklearn对句子向量进行聚类(例如k-means) 因此,我们的想法是将相似的句子分成若干组。但是,我不清楚是否必须单独训练每个文档,然后在句子向量上使用聚类算法。或者,如果我可以从doc2vec推断出一个句子向量,而不必训练每个新句子 现在,这是我的代码片段: sentenceLabeled = [] for sentenceID, sentence in enumerate(example_sentences): sent
sentenceLabeled = []
for sentenceID, sentence in enumerate(example_sentences):
sentenceL = TaggedDocument(words=sentence.split(), tags = ['SENT_%s' %sentenceID])
sentenceLabeled.append(sentenceL)
model = Doc2Vec(size=300, window=10, min_count=0, workers=11, alpha=0.025,
min_alpha=0.025)
model.build_vocab(sentenceLabeled)
for epoch in range(20):
model.train(sentenceLabeled)
model.alpha -= 0.002 # decrease the learning rate
model.min_alpha = model.alpha # fix the learning rate, no decay
textVect = model.docvecs.doctag_syn0
## K-means ##
num_clusters = 3
km = KMeans(n_clusters=num_clusters)
km.fit(textVect)
clusters = km.labels_.tolist()
## Print Sentence Clusters ##
cluster_info = {'sentence': example_sentences, 'cluster' : clusters}
sentenceDF = pd.DataFrame(cluster_info, index=[clusters], columns = ['sentence','cluster'])
for num in range(num_clusters):
print()
print("Sentence cluster %d: " %int(num+1), end='')
print()
for sentence in sentenceDF.ix[num]['sentence'].values.tolist():
print(' %s ' %sentence, end='')
print()
print()
基本上,我现在正在做的是对文档中每个标记的句子进行训练。然而,如果你有这样一个想法,那就是可以用一种更简单的方式来完成
最后,包含相似单词的句子应该聚集在一起并打印出来。在这一点上,单独培训每个文档并不能清楚地揭示集群中的任何逻辑
希望有人能把我引向正确的方向。
谢谢。对于您的用例,所有文档中的所有句子都应该一起训练。从本质上讲,您应该将句子视为迷你文档。然后它们都共享相同的词汇和语义空间。
- 你看过你得到的词向量了吗(使用DM=1算法设置)?当你检查它们时,它们是否显示出良好的相似性李>
- 我会尝试使用tSNE来降低你的维度,一旦你有了一些合理的相似的词向量。如果需要的话,可以先使用PCA来减少到大约50维。我想他们都在学习。然后查看您的文档是否形成了不同的组李>
- 再看看你最相似的()文档向量,试着在一个已知的训练过的句子上推断出向量(),如果一切正常,你应该得到与1非常接近的相似性。(推断向量()每次的结果总是有点不同,所以永远不会相同!)