python - 在 word2vec Gensim 中获取二元组和三元组

Question

我目前在我的 word2vec 模型中使用 uni-gram，如下所示。

def review_to_sentences( review, tokenizer, remove_stopwords=False ):
    #Returns a list of sentences, where each sentence is a list of words
    #
    #NLTK tokenizer to split the paragraph into sentences
    raw_sentences = tokenizer.tokenize(review.strip())

    sentences = []
    for raw_sentence in raw_sentences:
        # If a sentence is empty, skip it
        if len(raw_sentence) > 0:
            # Otherwise, call review_to_wordlist to get a list of words
            sentences.append( review_to_wordlist( raw_sentence, \
              remove_stopwords ))
    #
    # Return the list of sentences (each sentence is a list of words,
    # so this returns a list of lists
    return sentences

但是，我会在我的数据集中遗漏重要的二元组和三元组。

E.g.,
"team work" -> I am currently getting it as "team", "work"
"New York" -> I am currently getting it as "New", "York"

因此，我想在我的数据集中捕获重要的二元组、三元组等，并将其输入到我的 word2vec 模型中。

我是 wordvec 的新手，正在为如何去做而苦苦挣扎。请帮助我。

Answer 1

首先你应该使用gensim的类Phrases为了获得双字母组，它按照文档中的指示工作

>>> bigram = Phraser(phrases)
>>> sent = [u'the', u'mayor', u'of', u'new', u'york', u'was', u'there']
>>> print(bigram[sent])
[u'the', u'mayor', u'of', u'new_york', u'was', u'there']

要获得三元组等，您应该使用已有的二元组模型并再次对其应用 Phrases，依此类推。 示例:

trigram_model = Phrases(bigram_sentences)

还有一个很好的笔记本和解释如何使用它的视频.... the notebook , the video

它最重要的部分是如何在现实生活中使用它，如下所示:

// to create the bigrams
bigram_model = Phrases(unigram_sentences)

// apply the trained model to a sentence
 for unigram_sentence in unigram_sentences:                
            bigram_sentence = u' '.join(bigram_model[unigram_sentence])

// get a trigram model out of the bigram
trigram_model = Phrases(bigram_sentences)

希望这对您有所帮助，但下次请向我们提供有关您使用的内容等的更多信息。

P.S:现在您编辑了它，您并没有做任何事情来获得双字母组，只是将它拆分，您必须使用短语来获得像 New York 这样的词作为双字母组。