- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我在 gensim 中使用 Doc2Vec.docvecs.similarity() 计算了文档相似度。现在,如果 gensim 使用余弦的绝对值作为相似性度量,我希望余弦相似性位于 [0.0, 1.0] 范围内,否则大约一半为负数。
但是,我看到的是一些相似性是负的,但它们非常罕见——在我的 30000 份文档集中不到两两相似性的 1%。
为什么几乎所有的相似点都是正面的?
最佳答案
在 Word2Vec/Doc2Vec 中没有内在保证生成的向量集围绕原点对称分布。它们在某些方向上可能不成比例,这会产生您所看到的结果。
在一些测试中,我刚刚对捆绑的 gensim docs/notebooks/doc2vec-lee.ipynb
笔记本中使用的玩具大小的数据集('lee 语料库')进行了测试,检查余弦相似性在第一个文件的所有文件中,隐约似乎是:
hs=1, negative=0
) 在 >0.0 和 <0.0 的余弦相似度之间取得平衡,这更接近(但还不完全)一半一半negative=1
)会产生一组更平衡的结果;使用更大的数字(例如 negative=10
)会产生相对更多的 >0.0 余弦相似度虽然不是决定性的,但这有点暗示向量的排列可能会受到 negative
参数的影响。具体来说,典型的负采样参数,例如默认的 negative=5
,意味着单词将作为非目标而不是作为正目标进行更多次训练。这可能将最终坐标的优势推向一个方向。 (对更大的数据集和模式进行更多测试,以及对模型设置如何影响最终矢量位置的更多分析,对于对这个想法更有信心是必要的。)
如果出于某种原因你想要更平衡的向量排列,你可以考虑在训练后改变它们的位置。
word2vec 领域最近有一篇有趣的论文,"All-but-the-Top: Simple and Effective Postprocessing for Word Representations" ,发现一组训练有素的词向量不一定具有 0 级均值——它们平均在一个方向上从原点开始。此外,这篇论文报告说,减去共同均值(以“重新居中”集合),并删除其他一些主要方向,可以提高向量对某些任务的实用性。
凭直觉,我怀疑这种“除顶级外”的转换可能有助于增加结果向量中的判别性“对比度”。
类似的过程可能对文档向量产生类似的好处——并且可能使整套余弦相似性与任何文档向量在 >0.0 和 <0.0 值之间更加平衡。
关于python - 为什么 gensim doc2vec 中的单词或文档向量之间几乎所有余弦相似度都是正的?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/44345576/
我需要修复 getLineNumberFor 方法,以便如果 lastName 的第一个字符位于 A 和 M 之间,则返回 1;如果它位于 N 和 Z 之间,则返回 2。 在我看来听起来很简单,但我不
您好,感谢您的帮助!我有这个: 0 我必须在每次点击后增加“pinli
Javascript 中是否有一种方法可以在不使用 if 语句的情况下通过 switch case 结构将一个整数与另一个整数进行比较? 例如。 switch(integer) { case
我有一列是“日期”类型的。如何在自定义选项中使用“之间”选项? 最佳答案 请注意,您有2个盒子。 between(在SQL中)包含所有内容,因此将框1设置为:DATE >= startdate,将框2
我有一个表,其中包含年、月和一些数字列 Year Month Total 2011 10 100 2011 11 150 2011 12 100 20
这个问题已经有答案了: Extract a substring between double quotes with regular expression in Java (2 个回答) how to
我有一个带有类别的边栏。正如你在这里看到的:http://kees.een-site-bouwen.nl/ url 中类别的 ID。带有 uri 段(3)当您单击其中一个类别时,例如网页设计。显示了一
这个问题在这里已经有了答案: My regex is matching too much. How do I make it stop? [duplicate] (5 个答案) 关闭 4 年前。 我
我很不会写正则表达式。 我正在尝试获取括号“()”之间的值。像下面这样的东西...... $a = "POLYGON((1 1,2 2,3 3,1 1))"; preg_match_all("/\((
我必须添加一个叠加层 (ImageView),以便它稍微移动到包含布局的左边界的左侧。 执行此操作的最佳方法是什么? 尝试了一些简单的方法,比如将 ImageView 放在布局中并使用负边距 andr
Rx 中是否有一些扩展方法来完成下面的场景? 我有一个开始泵送的值(绿色圆圈)和其他停止泵送的值(簧片圆圈),蓝色圆圈应该是预期值,我不希望这个命令被取消并重新创建(即“TakeUntil”和“Ski
我有一个看起来像这样的数据框(Dataframe X): id number found 1 5225 NA 2 2222 NA 3 3121 NA 我有另一个看起来
所以,我正在尝试制作正则表达式,它将解析存储在对象中的所有全局函数声明,例如,像这样 const a = () => {} 我做了这样的事情: /(?:const|let|var)\s*([A-z0-
我正在尝试从 Intellivision 重新创建 Astro-Smash,我想让桶保持在两个 Angular 之间。我只是想不出在哪里以及如何让这个东西停留在两者之间。 我已经以各种方式交换了函数,
到处检查但找不到答案。 我有这个页面,我使用 INNER JOIN 将两个表连接在一起,获取它们的值并显示它们。我有这个表格,用来获取变量(例如开始日期、结束日期和卡号),这些变量将作为从表中调用值的
我陷入了两个不同的问题/错误之间,无法想出一个合适的解决方案。任何帮助将不胜感激 上下文、FFI 和调用大量 C 函数,并将 C 类型包装在 rust 结构中。 第一个问题是ICE: this pat
我在 MySQL 中有一个用户列表,在订阅时,时间戳是使用 CURRENT_TIMESTAMP 在数据库中设置的。 现在我想从此表中选择订阅日期介于第 X 天和第 Y 天之间的表我尝试了几个查询,但不
我的输入是开始日期和结束日期。我想检查它是在 12 月 1 日到 3 月 31 日之间。(年份可以更改,并且只有在此期间内或之外的日期)。 到目前为止,我还没有找到任何关于 Joda-time 的解决
我正在努力了解线程与 CPU 使用率的关系。有很多关于线程与多处理的讨论(一个很好的概述是 this answer )所以我决定通过在运行 Windows 10、Python 3.4 的 8 CPU
我正在尝试编写 PHP 代码来循环遍历数组以创建 HTML 表格。我一直在尝试做类似的事情: fetchAll(PDO::FETCH_ASSOC); ?>
我是一名优秀的程序员,十分优秀!