n-gramを超えて：単語埋め込み

Pythonで学ぶNLPの特徴量エンジニアリング

Rounak Banik

Data Scientist

BoWとtf-idfの問題点

'I am happy'

'I am joyous'

'I am sad'

単語をn次元ベクトル空間に写像
ディープラーニングと大量データで作成
2語の類似度を測れる
同義語・反意語の検出に利用
複雑な関係を捉える
- King-Queen → Man-Woman
- France-Paris → Russia-Moscow
使用するデータセットに依存せず、spacyモデルに依存

import spacy

# モデルを読み込み、Docを作成
nlp = spacy.load('en_core_web_lg')
doc = nlp('I am happy')

# 各トークンの単語ベクトルを生成
for token in doc:
  print(token.vector)

[-1.0747459e+00  4.8677087e-02  5.6630421e+00  1.6680446e+00
 -1.3194644e+00 -1.5142369e+00  1.1940931e+00 -3.0168812e+00
 ...

doc = nlp("happy joyous sad")
for token1 in doc:
  for token2 in doc:
    print(token1.text, token2.text, token1.similarity(token2))

happy happy 1.0
happy joyous 0.63244456
happy sad 0.37338886
joyous happy 0.63244456
joyous joyous 1.0
joyous sad 0.5340932
...

# Docを生成
sent1 = nlp("I am happy")
sent2 = nlp("I am sad")
sent3 = nlp("I am joyous")

# sent1とsent2の類似度を計算
sent1.similarity(sent2)

0.9273363837282105

# sent1とsent3の類似度を計算
sent1.similarity(sent3)

0.9403554938594568

Pythonで学ぶNLPの特徴量エンジニアリング