zoukankan      html  css  js  c++  java
  • 95、自然语言处理svd词向量

    import numpy as np
    import matplotlib.pyplot as plt
    la = np.linalg
    words = ["I","like","enjoy","deep","learning","NLP","flying","."]
    X = np.array([[0,2,1,0,0,0,0,0],
                  [2,0,0,1,0,1,0,0],
                  [1,0,0,0,0,0,1,0],
                  [0,1,0,0,1,0,0,0],
                  [0,0,0,1,0,0,0,1],
                  [0,1,0,0,0,0,0,1],
                  [0,0,1,0,0,0,0,1],
                  [0,0,0,0,1,1,1,0]])
    U,s,Vh=la.svd(X, full_matrices=False)
    for i in range(len(words)):
        print(U[i,1],U[i,1],words[i])
        plt.text(U[i,0],U[i,1],words[i])
    plt.xlim(-1,1)
    plt.ylim(-1,1)
    plt.show()

    这是根据斯坦福cs224d课程写出来的,

    这是课程里边最开始所讲的词向量,

    1、首先将所有的词组织成一个词典

    2、对于词典中的每一个词,

    扫描词典中的其他词,

    对于扫描到的每一个词,

    统计原始词在被扫描到的词的前边或者后边出现的次数,

    这样就构成了一个由词频所构成的对角阵

    3、对该对角阵进行SVD分解得到

    得到的U矩阵便是经过降维后的词向量矩阵

    将每个词的词向量前两个值画在图中

    便得到了如最上面图所示的

    词关系图

    Thanks

    WeiZhen

  • 相关阅读:
    id选择器
    HTML列表标签
    HTML表格标签
    HTML常见标签
    javascript代码 调试方法
    圣杯布局和双飞翼布局
    javascript 类型转换。
    javascript的defer和async的区别。
    乱码引起的CSS失效原理,解决技巧。
    浏览器渲染引擎,提高css渲染速度。
  • 原文地址:https://www.cnblogs.com/weizhen/p/7351226.html
Copyright © 2011-2022 走看看