Mesurer la similarité entre vecteurs de mots
Dans cette leçon, vous allez découvrir la puissance des vecteurs de mots en utilisant des vecteurs entraînés sur des données réelles. Il s'agit de vecteurs tirés d'une liste publiée par le Stanford NLP group. Un vecteur de mots est une suite, ou un vecteur, de valeurs numériques. Par exemple,
dog = (0.31, 0.92, 0.13)
La distance entre des vecteurs de mots peut être mesurée à l'aide d'une mesure de similarité par paires. Ici, nous utiliserons sklearn.metrics.pairwise.cosine_similarity. La similarité cosinus donne une valeur plus élevée lorsque la similarité élément par élément de deux vecteurs est grande, et l'inverse lorsqu'elle est faible.
Cette activité fait partie du cours
Traduction automatique avec Keras
Instructions de l’exercice
- Affichez la longueur de
cat_vectoren utilisant l'attributndarray.size. - Calculez et affichez la similarité entre
cat_vectoretwindow_vectoraveccosine_similarity. - Calculez et affichez la similarité entre
cat_vectoretdog_vectoraveccosine_similarity.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
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): ', ____(____, ____))