scikit-learn - 可视化从gensim生成的word2vec

Question

我已经使用gensim在自己的语料库上训练了doc2vec和相应的word2vec。我想使用带有单词的t-sne可视化word2vec。如图所示，图中的每个点也带有“单词”。

我在这里看了一个类似的问题:t-sne on word2vec

之后，我有此代码:

导入gensim
将gensim.models导入为g

from sklearn.manifold import TSNE
import re
import matplotlib.pyplot as plt

modelPath="/Users/tarun/Desktop/PE/doc2vec/model3_100_newCorpus60_1min_6window_100trainEpoch.bin"
model = g.Doc2Vec.load(modelPath)

X = model[model.wv.vocab]
print len(X)
print X[0]
tsne = TSNE(n_components=2)
X_tsne = tsne.fit_transform(X[:1000,:])

plt.scatter(X_tsne[:, 0], X_tsne[:, 1])
plt.show()

这给出了一个带有点但没有单词的图形。那就是我不知道哪个点代表哪个单词。如何显示带点的单词？

Answer 1

答案分为两个部分:如何获取单词标签，以及如何在散点图上绘制标签。

gensim的word2vec中的单词标签
model.wv.vocab是{word:数字 vector 对象}的字典。要将数据加载到t-SNE的X中，我进行了一项更改。

vocab = list(model.wv.vocab)
X = model[vocab]

这完成了两件事:(1)它为您提供了要绘制的最终数据帧的独立vocab列表，以及(2)在为model编制索引时，可以确保您知道单词的顺序。

像以前一样继续

tsne = TSNE(n_components=2)
X_tsne = tsne.fit_transform(X)

现在，让我们将X_tsne和vocab列表放在一起。对于 Pandas 来说这很容易，所以如果还没有import pandas as pd的话。

df = pd.DataFrame(X_tsne, index=vocab, columns=['x', 'y'])

词汇词现在是数据帧的索引。

我没有您的数据集，但是在您提到的other SO中，使用sklearn的新闻组的示例df看起来像

                        x             y
politics    -1.524653e+20 -1.113538e+20
worry        2.065890e+19  1.403432e+20
mu          -1.333273e+21 -5.648459e+20
format      -4.780181e+19  2.397271e+19
recommended  8.694375e+20  1.358602e+21
arguing     -4.903531e+19  4.734511e+20
or          -3.658189e+19 -1.088200e+20
above        1.126082e+19 -4.933230e+19

散点图

我喜欢matplotlib的面向对象方法，因此开始时有所不同。

fig = plt.figure()
ax = fig.add_subplot(1, 1, 1)

ax.scatter(df['x'], df['y'])

最后，annotate方法将标注坐标。前两个参数是文本标签和2元组。使用iterrows()，可以非常简洁:

for word, pos in df.iterrows():
    ax.annotate(word, pos)

[感谢里卡多对此建议的评论。]

然后执行plt.show()或fig.savefig()。根据您的数据，您可能不得不弄混ax.set_xlim和ax.set_ylim才能看到密集的云。这是新闻组示例，无需进行任何调整:



您也可以修改点的大小，颜色等。祝您微调愉快!