Měření podobnosti slovních vektorů
V této lekci pochopíš sílu slovních vektorů na příkladu reálně natrénovaných dat. Jde o slovní vektory převzaté ze seznamu publikovaného skupinou Stanford NLP. Slovní vektor je posloupnost číselných hodnot, například:
dog = (0.31, 0.92, 0.13)
Vzdálenost mezi slovními vektory lze měřit pomocí párové metriky podobnosti. Zde budeme používat sklearn.metrics.pairwise.cosine_similarity. Kosinová podobnost vrací vyšší hodnotu, pokud jsou si dva vektory prvek po prvku podobné, a naopak.
Toto cvičení je součástí kurzu
Machine Translation with Keras
Pokyny k cvičení
- Vypiš délku vektoru
cat_vectorpomocí atributundarray.size. - Vypočítej a vypiš podobnost mezi vektory
cat_vectorawindow_vectorpomocícosine_similarity. - Vypočítej a vypiš podobnost mezi vektory
cat_vectoradog_vectorpomocícosine_similarity.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
from sklearn.metrics.pairwise import cosine_similarity
# Print the length of the cat_vector
print('Length of the cat_vector: ', ____.____)
# Compute and print the similarity between cat and window vectors
dist_cat_window = ____(____, window_vector)
print('Similarity(cat, window): ', ____)
# Compute and print the similarity between cat and dog vectors
print('Similarity(cat,dog): ', ____(____, ____))