使用 TSNE 的词嵌入可视化不清楚

Question

我从Word Embeddings by M. Baroni et al. 下载了预训练的词嵌入模型 我想可视化句子中单词的嵌入。我有两句话：

sentence1 = "Four people died in an accident."

sentence2 = "4 men are dead from a collision"

我有从上面的链接加载嵌入文件的功能：

def load_data(FileName = './EN-wform.w.5.cbow.neg10.400.subsmpl.txt'):

    embeddings = {}
    file = open(FileName,'r')
    i = 0
    print "Loading word embeddings first time"
    for line in file:
        # print line

        tokens = line.split('\t')

        #since each line's last token content '\n'
        # we need to remove that
        tokens[-1] = tokens[-1].strip()

        #each line has 400 tokens
        for i in xrange(1, len(tokens)):
            tokens[i] = float(tokens[i])

        embeddings[tokens[0]] = tokens[1:-1]
    print "finished"
    return embeddings

e = load_data()

从这两个句子中，我计算出单词的 lemmas 并忽略停用词和标点符号，所以现在我的句子变成：

sentence1 = ['Four', 'people', 'died', 'accident']
sentence2 = ['4', 'men', 'dead', 'collision']

现在，当我尝试使用 TSNE（t 分布随机邻域嵌入）可视化嵌入时，我首先为每个句子存储标签和标记：

#for sentence store labels and embeddings in list
# tokens contains vector of 400 dimensions for each label
labels1 = []
tokens1 = []
for i in sentence1:
    if i in e:
        labels1.append(i)
        tokens1.append(e[i])
    else:
        print i

labels2 = []
tokens2 = []
for i in sentence2:
    if i in e:
        labels2.append(i)
        tokens2.append(e[i])
    else:
        print i

对于 TSNE

tsne_model = TSNE(perplexity=40, n_components=2, init='random', n_iter=2000, random_state=23)
# fit transform for tokens of both sentences
new_values = tsne_model.fit_transform(tokens1)
new_values1 = tsne_model.fit_transform(tokens2)

#Plot values
x = []
y = []
x1 = []
y1 = []

for value in new_values:
    x.append(value[0])
    y.append(value[1])

for value in new_values1:
    x1.append(value[0])
    y1.append(value[1])


plt.figure(figsize=(10, 10)) 

for i in range(len(x)):
    plt.scatter(x[i],y[i])
    plt.annotate(labels[i],
                 xy=(x[i], y[i]),
                 xytext=(5, 2),
                 textcoords='offset points',
                 ha='right',
                 va='bottom')

for i in range(len(x1)):
    plt.scatter(x1[i],y1[i])
    plt.annotate(labels[i],
                 xy=(x1[i], y1[i]),
                 xytext=(5, 2),
                 textcoords='offset points',
                 ha='right',
                 va='bottom')

plt.show()

我的问题是，为什么“碰撞”和“事故”、“人”和“人”等同义词有不同的坐标？如果单词相同/同义词，它们不应该更接近吗？

距离 = euclidean_distances(tokens1) # 返回形状 (8,8)

Answer 1

来自TSNE-documentation：

t-SNE 有一个非凸的成本函数，即使用不同的初始化，我们可以得到不同的结果。

这意味着在执行词嵌入的降维时不能保证获得相同的坐标。

要解决这个问题，通过加入句子来执行一次 fit_transform 而不是两次：

sentence1 = ['Four', 'people', 'died', 'accident']
sentence2 = ['4', 'men', 'dead', 'collision']
sentences = list(set(sentence1)| set(sentence2))

编辑：您的代码中还有一个错误，您从错误的列表中绘制标签。