Explorer les relations entre les mots avec des embeddings
Les word embeddings capturent le sens des mots à partir de leur usage dans de grands jeux de textes. En plaçant les mots similaires plus près les uns des autres dans un espace vectoriel continu, ils permettent aux modèles de reconnaître le contexte et les relations sémantiques que des méthodes plus simples ne peuvent pas saisir. Vous allez maintenant travailler avec des embeddings pour explorer directement ce type de relations entre les mots.
Le modèle d'embedding glove-wiki-gigaword-50 a été chargé avec succès et est prêt à l'emploi via la variable model_glove_wiki.
Cette activité fait partie du cours
Natural Language Processing (NLP) en Python
Instructions de l’exercice
- Calculez le score de similarité entre
"king"et"queen". - Obtenez les 10 mots les plus similaires à
"computer".
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Compute similarity between "king" and "queen"
similarity_score = model_glove_wiki.____
print(similarity_score)
# Get top 10 most similar words to "computer"
similar_words = model_glove_wiki.____
print(similar_words)