Misurare la similarità tra vettori di parole
In questa lezione esploreremo la potenza dei word vector usando vettori addestrati su dati reali. Questi sono vettori estratti da un insieme pubblicato dallo Stanford NLP group. Un word vector è una sequenza, o vettore, di valori numerici. Per esempio,
dog = (0.31, 0.92, 0.13)
La distanza tra word vector può essere misurata usando una metrica di similarità a coppie. Qui useremo sklearn.metrics.pairwise.cosine_similarity. La similarità coseno restituisce valori più alti quando la similarità elemento per elemento di due vettori è alta, e viceversa.
Questo esercizio fa parte del corso
Traduzione automatica con Keras
Istruzioni dell'esercizio
- Stampa la lunghezza di
cat_vectorusando l'attributondarray.size. - Calcola e stampa la similarità tra
cat_vectorewindow_vectorusandocosine_similarity. - Calcola e stampa la similarità tra
cat_vectoredog_vectorusandocosine_similarity.
esercizio interattivo pratico
Prova questo esercizio completando questo codice di esempio.
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): ', ____(____, ____))