我正在使用基于 GloVe 的预训练嵌入向量将我的 I/P 句子中的单词转换为类似 NMT 的模型。然后，该模型生成一系列词嵌入作为每个句子的输出。
如何将这些输出词嵌入转换为相应的词？我尝试的一种方法是在每个输出嵌入向量和所有 i/p 嵌入向量之间使用余弦相似度。还有比这更好的方法吗？
另外，有没有比使用嵌入向量更好的方法来解决这个问题？
【问题讨论】：
标签： neural-network nlp keras word-embedding
首先，问题是缺少很多细节，比如用于词嵌入的库、模型的性质和训练数据等...... 但我会尝试让您了解在这些情况下您可以做什么，假设您使用的是诸如 Gensim 之类的词嵌入库。
如何从向量中得到单词： 我们这里处理的是预测词向量，所以我们的词向量可能不是原始词的精确向量，我们必须使用相似度，在 Gensim 中你可以使用similar_by_vector，类似
target_word_candidates = similar_by_vector(target_word_vector,top=3)
这将解决反向查找问题，如突出显示的here，给定所有词向量如何获得最相似的词，但我们需要根据上下文找到最好的单个词。
您可以对输出的目标词向量进行某种后处理，这将有利于尝试解决一些问题，例如：
1.如何指导外语翻译 条款？
2.如何强制存在 在解码器中给出翻译推荐 输出？
3.如何把这些词放在右边 位置？
其中一个想法是使用目标语言的外部资源，即语言模型，来预测将使用哪些单词组合。其他一些技术将外部知识整合到翻译网络本身中
【讨论】：