使用python语句的word2vec查找两个句子之间的相似性

我想用word2vectors计算两个句子之间的相似度，我试图得到一个句子的向量，这样我就可以计算一个句子向量的平均值，找到余弦相似度。我尝试过这个代码，但它不起作用。它的输出给出了带有1的句子向量。我想要句子的实际向量，在句子1，平均向量和句子2，平均向量中

代码：

---

我认为你正在努力实现以下目标：

从word2vec中获取句子中每个单词的向量表示

求一个句子的所有词向量的平均值以获得一个句子表示

计算两个句子向量之间的余弦相似度

虽然2和3的代码在我看来总体上还不错（不过还没有测试），但问题可能出在步骤1中。您在代码中使用的是什么

word2vec\u model=gensim.models.word2vec（句子，大小=100，最小计数=5）

是初始化一个新的word2vec模型。如果您随后调用

word2vec_model.train（）

，gensim将在您的句子上训练一个新的模型，以便您可以在以后使用每个单词的结果向量。但是，为了获得有用的词向量来捕捉相似性之类的东西，通常需要在大量数据上训练word2vec模型——该模型是在1000亿个词上训练的

您可能想做的是使用预训练的word2vec模型，并在代码中与gensim一起使用。根据，这可以使用

键向量。load\u word2vec\u format

方法完成。

您的第二部分（将文本转换为特征向量）错误。 您必须替换：

featureVec=np.one（（num_features），dtype=“float32”）

与

featureVec=np.zero（（num_特征），dtype=“float32”）

如果在字典（index2word_集）中找不到任何单词，则应将其全部置零。

---

这解决了我的问题。你想通过查找和平均预计算的word2vec向量来计算句子的向量表示，还是从头开始计算？你的代码看起来像是在尝试后者。。。但我不认为你能从两句话中学到任何有用的嵌入。人们通常会用上百万个词来表达。也许这会有帮助。这实际上不是两句话。。我的数据集包含8行lacs+句子。。为了方便起见，我在这里提到了一些示例数据来传达我的概念……我也面临着同样的问题。你能告诉我mylist1和mylist2是什么吗？我在第一步中确实遇到了问题。。问题可能出在词汇上。。当我在bin文件中保存向量模型时，它只给我字母的向量。

    #DataSet#
    sent1=[['What', 'step', 'step', 'guide', 'invest', 'share', 'market', 'india'],['What', 'story', 'Kohinoor', 'KohiNoor', 'Diamond']]
    sent2=[['What', 'step', 'step', 'guide', 'invest', 'share', 'market'],['What', 'would', 'happen', 'Indian', 'government', 'stole', 'Kohinoor', 'KohiNoor', 'diamond', 'back']]
    sentences=sent1+sent2

    #''''Applying Word2vec''''#
    word2vec_model=gensim.models.Word2Vec(sentences, size=100, min_count=5)
    bin_file="vecmodel.csv"
    word2vec_model.wv.save_word2vec_format(bin_file,binary=False)

    #''''Making Sentence Vectors''''#
    def avg_feature_vector(words, model, num_features, index2word_set):
        #function to average all words vectors in a given paragraph
        featureVec = np.ones((num_features,), dtype="float32")
        #print(featureVec)
        nwords = 0
        #list containing names of words in the vocabulary
        index2word_set = set(model.wv.index2word)# this is moved as input param for performance reasons
        for word in words:
            if word in index2word_set:
                nwords = nwords+1
                featureVec = np.add(featureVec, model[word])
                print(featureVec)
        if(nwords>0):
            featureVec = np.divide(featureVec, nwords)
        return featureVec

    i=0
    while i<len(sent1):
        sentence_1_avg_vector = avg_feature_vector(mylist1, model=word2vec_model, num_features=300, index2word_set=set(word2vec_model.wv.index2word))
        print(sentence_1_avg_vector)

        sentence_2_avg_vector = avg_feature_vector(mylist2, model=word2vec_model, num_features=300, index2word_set=set(word2vec_model.wv.index2word))
        print(sentence_2_avg_vector)

        sen1_sen2_similarity =  1 - spatial.distance.cosine(sentence_1_avg_vector,sentence_2_avg_vector)
        print(sen1_sen2_similarity)

        i+=1

[ 1.  1.  ....  1.  1.]
[ 1.  1.  ....  1.  1.]
0.999999898245
[ 1.  1.  ....  1.  1.]
[ 1.  1.  ....  1.  1.]
0.999999898245