Python 有没有办法使用sklearn TF-IDF模型解决单词类比？

我使用Python的sklearn库和我自己的数据集拟合了TF-IDF模型：

tfidf\u featureuriser=sklearn.feature\u extraction.text.tfidfVectorier（停止\u单词=None）
tfidf_featuriser.fit（文档）
tfidf\u docterm\u matrix=tfidf\u featuriser.transform（文档）

我正在尝试解决单词类比（男人：：国王作为女人：：王后），因为这可能与gensim的Word2Vec模型有关。到目前为止，我已经尝试了以下方法：

vec1=tfidf\u docterm\u matrix.transpose（）
vec2=tfidf_docterm_matrix.transpose（）[tfidf_featuriser.词汇表['woman'，：]
vec3=tfidf_docterm_matrix.transpose（）
vec4=vec2+vec3-vec1

---

我如何检索与vec4相似的向量，希望其中一个词向量是“queen”？

tf idf不[试图]捕获单个词的语义信息-它是一个纯粹基于频率的模型。因此，你不应该期望看到简洁的词语类比出现（想想看，为什么“男人”、“女人”、“国王”和“女王”的相对频率应该如此简洁地关联起来）

在Word2Vec模型中，queen~=king+女性-男性词语类比的出现部分是因为我们表示为n维向量（希望）编码每个词语的语义

另一方面，在tf idf矩阵中，我们的词向量的每个元素仅代表其在特定文档中的频率函数，因此您设置的约束条件不仅是这些词的相对频率强相关，而且在单个文档的级别上发生，这对于一个只计算词频的模型来说是一个很大的要求

如果您想了解为什么单词类比出现在Word2Vec之类的单词嵌入模型中，我建议您看看这一点以及相关的