如何在单词/事物词典中找到前 N 个相似词？

Question

我有一个str 列表，我想映射到该列表。这些词可能是“金属”或“圣帕特里克”。目标是针对该列表映射一个新字符串并找到前 N 个相似项。例如，如果我经过“St. Patrick”，我想捕获“st patrick”或“saint patrick”。

我知道有 gensim 和 fastText，而且我有一种直觉，我应该选择余弦相似度（或者如果有其他建议，我会全神贯注）。我主要处理时间序列，而 gensim 模型训练似乎不喜欢单词列表。

接下来我应该瞄准什么？

Answer 1

首先，您必须确定您是否对字形相似性或语义相似性感兴趣。

正交相似性

在这种情况下，您对两个字符串之间的距离进行评分。有various metrics 用于计算编辑距离。 Levenshtein distance 是最常见的：你可以找到各种 python 实现，比如this。

“gold”类似于“good”，但不类似于“metal”。

语义相似度

在这种情况下，您可以衡量两个字符串有多少具有相似的含义。

fastText 和其他词嵌入属于这种情况，即使它们也考虑了字形方面。

“gold”更类似于“metal”而不是“good”。

如果您的列表中的单词数量有限，您可以使用预先训练过您的语言的existing word embedding。基于这个词嵌入，您可以计算列表中每个词/句子的词向量，然后使用余弦相似度将新词的向量与列表中的向量进行比较。

import fasttext
import numpy as np

# download English pretrained model
fasttext.util.download_model('en', if_exists='ignore')
ft = fasttext.load_model('cc.en.300.bin')

def cos_sim(a, b):
    """Takes 2 vectors a, b and returns the cosine similarity according 
    to the definition of the dot product
    (https://masongallo.github.io/machine/learning,/python/2016/07/29/cosine-similarity.html)
    """
    dot_product = np.dot(a, b)
    norm_a = np.linalg.norm(a)
    norm_b = np.linalg.norm(b)
    return dot_product / (norm_a * norm_b)

def compare_word(w, words_vectors):
    """
    Compares new word with those in the words vectors dictionary
    """
    vec=ft.get_sentence_vector(w)
    return {w1:cos_sim(vec,vec1) for w1,vec1 in words_vectors.items()}

# define your word list
words_list=[ "metal", "st. patrick", "health"]

# compute words vectors and save them into a dictionary.
# since there are multiwords expressions, we use get_sentence_vector method
# instead, you can use  get_word_vector method
words_vectors={w:ft.get_sentence_vector(w) for  w in words_list}

# try compare_word function!

compare_word('saint patrick', words_vectors)
# output: {'metal': 0.13774191, 'st. patrick': 0.78390956, 'health': 0.10316559}

compare_word('copper', words_vectors)
# output: {'metal': 0.6028242, 'st. patrick': 0.16589196, 'health': 0.10199054}

compare_word('ireland', words_vectors)
# output: {'metal': 0.092361264, 'st. patrick': 0.3721483, 'health': 0.118174866}

compare_word('disease', words_vectors)
# output: {'metal': 0.10678574, 'st. patrick': 0.07039305, 'health': 0.4192972}