将 text2vec 嵌入应用到新数据答案

【问题标题】：Apply text2vec embeddings to new data将 text2vec 嵌入应用到新数据
【发布时间】：2017-02-03 14:38:59
【问题描述】：

我使用 text2vec 从包含许多行业特定行话的专有文本数据语料库生成自定义词嵌入（因此，像谷歌提供的那些库存嵌入将不起作用）。类比效果很好，但我很难应用嵌入来评估新数据。我想使用我已经训练过的嵌入来理解新数据中的关系。我正在使用的方法（如下所述）看起来很复杂，而且速度很慢。有更好的方法吗？也许我只是错过了一些已经内置在包中的东西？

这是我的方法（鉴于我使用的是专有数据源，我可以生成最接近可重现代码的方法）：

d = 包含新数据的列表。每个元素都是类字符

vecs = 从 text2vec 的 glove 实现中获得的词向量化

  new_vecs <- sapply(d, function(y){             
                    it <- itoken(word_tokenizer(y), progressbar=FALSE) # for each statement, create an iterator punctuation
                    voc <- create_vocabulary(it, stopwords= tm::stopwords()) # for each document, create a vocab 
                    vecs[rownames(vecs) %in% voc$vocab$terms, , drop=FALSE] %>% # subset vecs for the words in the new document, then 
                    colMeans # find the average vector for each document
                    })  %>% t # close y function and sapply, then transpose to return matrix w/ one row for each statement

对于我的用例，我需要将每个文档的结果分开，因此任何涉及将 d 的元素粘贴在一起的操作都行不通，但肯定有比我拼凑的更好的方法.我觉得我一定遗漏了一些相当明显的东西。

任何帮助将不胜感激。

【问题讨论】：

标签： r text2vec

【解决方案1】：

您需要使用高效的线性代数矩阵运算以“批处理”模式进行。这个想法是为文档d 提供文档术语矩阵。该矩阵将包含有关每个单词在每个文档中出现多少次的信息。然后只需将dtm 乘以嵌入矩阵：

library(text2vec)
# we are interested in words which are in word embeddings
voc = create_vocabulary(rownames(vecs))
# now we will create document-term matrix
vectorizer = vocab_vectorizer(voc)
dtm = itoken(d, tokenizer = word_tokenizer) %>% 
  create_dtm(vectorizer)

# normalize - calculate term frequaency - i.e. divide count of each word 
# in document by total number of words in document. 
# So at the end we will receive average of word vectors (not sum of word vectors!)
dtm = normalize(dtm)
# and now we can calculate vectors for document (average of vecors of words)
# using dot product of dtm and embeddings matrix
document_vecs = dtm %*% vecs

【讨论】：