Spacy 与 Word2Vec 中的文档相似性

Question

我有一个大约 12k 文档的利基语料库，我想测试其中具有相似含义的近乎重复的文档 - 想想关于不同新闻机构报道的同一事件的文章。

我尝试过 gensim 的 Word2Vec，即使测试文档在语料库中内，它也给了我可怕的相似度分数（ 0.9。我测试了 SpaCy 最相似的文档，但大部分都没用。

这是相关代码。

tfidf = models.TfidfModel(corpus)
corpus_tfidf = tfidf[corpus]                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                             
lsi = models.LsiModel(corpus, id2word=dictionary, num_topics=40)
doc = preprocess(query)
vec_bow = dictionary.doc2bow(doc)
vec_lsi_tfidf = lsi[tfidf[vec_bow]] # convert the query to LSI space
index = similarities.Similarity(corpus = corpus, num_features = len(dictionary), output_prefix = "pqr")
sims = index[vec_lsi_tfidf] # perform a similarity query against the corpus
most_similar = sorted(list(enumerate(sims)), key = lambda x:x[1])

for mid in most_similar[-100:]:
    print(mid, file_list[mid[0]])

使用 gensim，我找到了一种不错的方法，并进行了一些预处理，但相似度得分仍然很低。有没有人遇到过这样的问题，是否有一些有用的资源或建议？

Answer 1

我会发表评论，但我没有足够的声誉！在 NLP 中，很容易陷入方法中而忘记预处理。

1) 删除停用词/最常见的词

2) 合并词对 - 查看 SpaCy 的文档

即“New York City”代替“New”、“York”、“City”成为自己的独特代币

https://spacy.io/usage/linguistic-features

3) 使用 Doc2Vec 而不是 Word2Vec（由于您已经在使用 gensim，这应该不难弄清楚，它们有自己的实现）

然后，一旦你完成了所有这些事情，你就会有文档向量，这可能会给你一个更好的分数。另外，请记住，您拥有的 12k 文档只是总体规划中的少量样本。