การวัดความคล้ายคลึงของเวกเตอร์คำ

ในบทเรียนนี้ เราจะทำความเข้าใจพลังของเวกเตอร์คำ (word vectors) โดยใช้เวกเตอร์คำที่ฝึกจากข้อมูลจริง ซึ่งดึงมาจากชุดเวกเตอร์คำที่เผยแพร่โดย Stanford NLP group เวกเตอร์คำคือลำดับหรือเวกเตอร์ของค่าตัวเลข ตัวอย่างเช่น dog = (0.31, 0.92, 0.13)

ระยะห่างระหว่างเวกเตอร์คำสามารถวัดได้ด้วยเมทริกความคล้ายคลึงแบบคู่ (pairwise similarity metric) ในที่นี้เราจะใช้ sklearn.metrics.pairwise.cosine_similarity โดย cosine similarity จะให้ค่าสูงเมื่อเวกเตอร์สองตัวมีความคล้ายคลึงกันในแต่ละมิติมาก และให้ค่าต่ำเมื่อมีความคล้ายคลึงน้อย

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Machine Translation ด้วย Keras

ดูคอร์ส

คำแนะนำการฝึกหัด

แสดงค่าความยาวของ cat_vector โดยใช้แอตทริบิวต์ ndarray.size
คำนวณและแสดงค่าความคล้ายคลึงระหว่าง cat_vector กับ window_vector โดยใช้ cosine_similarity
คำนวณและแสดงค่าความคล้ายคลึงระหว่าง cat_vector กับ dog_vector โดยใช้ cosine_similarity

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

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): ', ____(____, ____))

แก้ไขและรันโค้ด