spaCy能夠比較兩個(gè)對(duì)象代乃，并預(yù)測它們的相似程度。 預(yù)測相似性對(duì)于構(gòu)建推薦系統(tǒng)或標(biāo)記重復(fù)項(xiàng)很有用。 例如颈渊，您可以建議與當(dāng)前正在查看的用戶內(nèi)容相似的用戶內(nèi)容，或者將支持憑單標(biāo)記為與現(xiàn)有內(nèi)容非常相似的副本终佛。
每個(gè)Doc俊嗽、Span和Token都有一個(gè).similarity()方法，它允許您將其與另一個(gè)對(duì)象進(jìn)行比較铃彰，并確定相似度绍豁。當(dāng)然，相似性總是主觀的——“狗”和“貓”是否相似取決于你如何看待它牙捉。spaCy的相似模型通常假定一個(gè)相當(dāng)通用的相似性定義妹田。
tokens = nlp(u'dog cat banana')
for token1 in tokens:
for token2 in tokens:
print(token1.similarity(token2))
在這種情況下，模型的預(yù)測是很準(zhǔn)確的鹃共。狗和貓非常相似鬼佣，而香蕉卻不是很相似。相同的標(biāo)記顯然是100%相似的(并不總是精確的1.0霜浴，因?yàn)橄蛄繑?shù)學(xué)和浮點(diǎn)數(shù)的不精確)晶衷。
相似性是通過比較詞向量或“詞嵌入”來確定的，即一個(gè)詞的多維意思表示阴孟。單詞向量可以通過像word2vec這樣的算法生成晌纫，通常是這樣的:
BANANA.VECTOR
array([2.02280000e-01, -7.66180009e-02, 3.70319992e-01,
3.28450017e-02, -4.19569999e-01, 7.20689967e-02,
-3.74760002e-01, 5.74599989e-02, -1.24009997e-02,
5.29489994e-01, -5.23800015e-01, -1.97710007e-01,
-3.41470003e-01, 5.33169985e-01, -2.53309999e-02,
1.73800007e-01, 1.67720005e-01, 8.39839995e-01,
5.51070012e-02, 1.05470002e-01, 3.78719985e-01,
2.42750004e-01, 1.47449998e-02, 5.59509993e-01,
1.25210002e-01, -6.75960004e-01, 3.58420014e-01,
-4.00279984e-02, 9.59490016e-02, -5.06900012e-01,
-8.53179991e-02, 1.79800004e-01, 3.38669986e-01,
1.32300004e-01, 3.10209990e-01, 2.18779996e-01,
1.68530002e-01, 1.98740005e-01, -5.73849976e-01,
-1.06490001e-01, 2.66689986e-01, 1.28380001e-01,
-1.28030002e-01, -1.32839993e-01, 1.26570001e-01,
8.67229998e-01, 9.67210010e-02, 4.83060002e-01,
2.12709993e-01, -5.49900010e-02, -8.24249983e-02,
2.24079996e-01, 2.39749998e-01, -6.22599982e-02,
6.21940017e-01, -5.98999977e-01, 4.32009995e-01,
2.81430006e-01, 3.38420011e-02, -4.88150001e-01,
-2.13589996e-01, 2.74010003e-01, 2.40950003e-01,
4.59500015e-01, -1.86049998e-01, -1.04970002e+00,
-9.73049998e-02, -1.89080000e-01, -7.09290028e-01,
4.01950002e-01, -1.87680006e-01, 5.16870022e-01,
1.25200003e-01, 8.41499984e-01, 1.20970003e-01,
8.82389992e-02, -2.91959997e-02, 1.21510006e-03,
5.68250008e-02, -2.74210006e-01, 2.55640000e-01,
6.97930008e-02, -2.22580001e-01, -3.60060006e-01,
-2.24020004e-01, -5.36990017e-02, 1.20220006e+00,
5.45350015e-01, -5.79980016e-01, 1.09049998e-01,
4.21669990e-01, 2.06619993e-01, 1.29360005e-01,
-4.14570011e-02, -6.67770028e-01, 4.04670000e-01,
-1.52179999e-02, -2.76400000e-01, -1.56110004e-01,
-7.91980028e-02, 4.00369987e-02, -1.29439995e-01,
-2.40900001e-04, -2.67850012e-01, -3.81150007e-01,
-9.72450018e-01, 3.17259997e-01, -4.39509988e-01,
4.19340014e-01, 1.83530003e-01, -1.52600005e-01,
-1.08080000e-01, -1.03579998e+00, 7.62170032e-02,
1.65189996e-01, 2.65259994e-04, 1.66160002e-01,
-1.52810007e-01, 1.81229994e-01, 7.02740014e-01,
5.79559989e-03, 5.16639985e-02, -5.97449988e-02,
-2.75510013e-01, -3.90489995e-01, 6.11319989e-02,
5.54300010e-01, -8.79969969e-02, -4.16810006e-01,
3.28260005e-01, -5.25489986e-01, -4.42880005e-01,
8.21829960e-03, 2.44859993e-01, -2.29819998e-01,
-3.49810004e-01, 2.68940002e-01, 3.91660005e-01,
-4.19039994e-01, 1.61909997e-01, -2.62630010e+00,
6.41340017e-01, 3.97430003e-01, -1.28680006e-01,
-3.19460005e-01, -2.56330013e-01, -1.22199997e-01,
3.22750002e-01, -7.99330026e-02, -1.53479993e-01,
3.15050006e-01, 3.05909991e-01, 2.60120004e-01,
1.85530007e-01, -2.40429997e-01, 4.28860001e-02,
4.06219989e-01, -2.42559999e-01, 6.38700008e-01,
6.99829996e-01, -1.40430003e-01, 2.52090007e-01,
4.89840001e-01, -6.10670000e-02, -3.67659986e-01,
-5.50890028e-01, -3.82649988e-01, -2.08430007e-01,
2.28320003e-01, 5.12179971e-01, 2.78679997e-01,
4.76520002e-01, 4.79510017e-02, -3.40079993e-01,
-3.28729987e-01, -4.19669986e-01, -7.54989982e-02,
-3.89539987e-01, -2.96219997e-02, -3.40700001e-01,
2.21699998e-01, -6.28560036e-02, -5.19029975e-01,
-3.77739996e-01, -4.34770016e-03, -5.83010018e-01,
-8.75459984e-02, -2.39289999e-01, -2.47109994e-01,
-2.58870006e-01, -2.98940003e-01, 1.37150005e-01,
2.98919994e-02, 3.65439989e-02, -4.96650010e-01,
-1.81600004e-01, 5.29389977e-01, 2.19919994e-01,
-4.45140004e-01, 3.77979994e-01, -5.70620000e-01,
-4.69460003e-02, 8.18059966e-02, 1.92789994e-02,
3.32459986e-01, -1.46200001e-01, 1.71560004e-01,
3.99809986e-01, 3.62170011e-01, 1.28160000e-01,
3.16439986e-01, 3.75690013e-01, -7.46899992e-02,
-4.84800003e-02, -3.14009994e-01, -1.92860007e-01,
-3.12940001e-01, -1.75529998e-02, -1.75139993e-01,
-2.75870003e-02, -1.00000000e+00, 1.83870003e-01,
8.14339995e-01, -1.89129993e-01, 5.09989977e-01,
-9.19600017e-03, -1.92950002e-03, 2.81890005e-01,
2.72470005e-02, 4.34089988e-01, -5.49669981e-01,
-9.74259973e-02, -2.45399997e-01, -1.72030002e-01,
-8.86500031e-02, -3.02980006e-01, -1.35910004e-01,
-2.77649999e-01, 3.12860007e-03, 2.05559999e-01,
-1.57720000e-01, -5.23079991e-01, -6.47010028e-01,
-3.70139986e-01, 6.93930015e-02, 1.14009999e-01,
2.75940001e-01, -1.38750002e-01, -2.72680014e-01,
6.68910027e-01, -5.64539991e-02, 2.40170002e-01,
-2.67300010e-01, 2.98599988e-01, 1.00830004e-01,
5.55920005e-01, 3.28489989e-01, 7.68579990e-02,
1.55279994e-01, 2.56359994e-01, -1.07720003e-01,
-1.23590000e-01, 1.18270002e-01, -9.90289971e-02,
-3.43279988e-01, 1.15019999e-01, -3.78080010e-01,
-3.90120000e-02, -3.45930010e-01, -1.94040000e-01,
-3.35799992e-01, -6.23340011e-02, 2.89189994e-01,
2.80319989e-01, -5.37410021e-01, 6.27939999e-01,
5.69549985e-02, 6.21469975e-01, -2.52819985e-01,
4.16700006e-01, -1.01079997e-02, -2.54339993e-01,
4.00029987e-01, 4.24320012e-01, 2.26720005e-01,
1.75530002e-01, 2.30489999e-01, 2.83230007e-01,
1.38820007e-01, 3.12180002e-03, 1.70570001e-01,
3.66849989e-01, 2.52470002e-03, -6.40089989e-01,
-2.97650009e-01, 7.89430022e-01, 3.31680000e-01,
-1.19659996e+00, -4.71559986e-02, 5.31750023e-01], dtype=float32)
important note
為了使比較算法簡潔和快速，spaCy的小模型(所有以sm結(jié)尾的包)都不使用單詞向量永丝，而且這些sm包只包含上下文相關(guān)的向量锹漱。這意味著您仍然可以使用similarity()方法來比較文檔、span和token慕嚷，但是結(jié)果不會(huì)很好哥牍，單個(gè)token不會(huì)有任何指定的向量毕泌。所以為了使用真正的詞向量，你需要下載一個(gè)更大的模型:
python -m spacy download en_core_web_lg
內(nèi)置單詞向量的模型使它們成為可用的標(biāo)記嗅辣。Token.vector, Doc.vector, Span.vector撼泛。文本向量將默認(rèn)為它們的token向量的平均值。您還可以檢查一個(gè)token是否有分配的向量澡谭，并得到L2規(guī)范愿题，它可以用來使向量標(biāo)準(zhǔn)化。
nlp = spacy.load('en_core_web_lg')
tokens = nlp(u'dog cat banana sasquatch')
for token in tokens:
print(token.text, token.has_vector, token.vector_norm, token.is_oov)
“dog”蛙奖、“cat”和“banana”在英語中都很常見潘酗，所以它們是模型詞匯的一部分，并且?guī)в幸粋€(gè)向量雁仲。另一方面仔夺，“sasquatch”這個(gè)詞不太常見，也不太常見——所以它的向量表示包含了300個(gè)0的維度伯顶，這意味著它實(shí)際上是不存在的囚灼。如果您的應(yīng)用程序需要包含更多向量的大型詞匯表，那么您應(yīng)該考慮使用一個(gè)較大的模型或裝入一個(gè)完整的向量包祭衩，例如灶体，en_vectors_web_lg，其中包含超過100萬個(gè)唯一的向量掐暮。
基于上下文的相似度
除了spaCy內(nèi)置的單詞向量蝎抽，還有一些根據(jù)上下文詞匯訓(xùn)練的一些向量，解析路克、標(biāo)記和NER模型也依賴于這種上下文中的單詞含義的向量表示樟结。當(dāng)處理管道被應(yīng)用時(shí)，spaCy將文檔的內(nèi)部含義表示為浮點(diǎn)數(shù)組精算，也稱為張量瓢宦。這使得spaCy可以根據(jù)周圍的單詞對(duì)單詞的意思做出合理的猜測。即使spaCy以前沒有見過這個(gè)單詞灰羽，它也會(huì)有所了解驮履。因?yàn)閟paCy使用一個(gè)4層的卷積網(wǎng)絡(luò)，所以張量對(duì)一個(gè)單詞的任意一邊的四個(gè)單詞都很敏感廉嚼。
例如玫镐，這里有三個(gè)句子，在不同的語境中包含了“l(fā)abrador”的單詞怠噪。
doc1 = nlp(u"The labrador barked.")
doc2 = nlp(u"The labrador swam.")
doc3 = nlp(u"the labrador people live in canada.")
#這邊需要注意的是恐似，導(dǎo)入模型不能是md，lg模型傍念，這兩個(gè)模型計(jì)算出來的三個(gè)結(jié)果是一樣
for doc in [doc1, doc2, doc3]:
labrador = doc[1]
dog = nlp(u"dog")
print(labrador.similarity(dog))
盡管模型從來沒有見過“l(fā)abrador”這個(gè)詞矫夷，但它可以很準(zhǔn)確地預(yù)測它在不同情況下與“dog”的相似性葛闷。
整個(gè)文檔也一樣。 在這里口四，相似性的差異較小孵运，因?yàn)樗袉卧~及其順序都被考慮在內(nèi)秦陋。 但是蔓彩，特定于上下文的相似性通常仍然非常準(zhǔn)確地反映出來。
doc1 = nlp(u"Paris is the largest city in France.")
doc2 = nlp(u"Vilnius is the capital of Lithuania.")
doc3 = nlp(u"An emu is a large bird.")
for doc in [doc1, doc2, doc3]:
for other_doc in [doc1, doc2, doc3]:
print(doc.similarity(other_doc))
即使關(guān)于巴黎和維爾紐斯的句子由不同的詞匯和實(shí)體組成驳概，它們都描述了相同的概念赤嚼，并被認(rèn)為比關(guān)于ems的句子更相似。 在這種情況下顺又，即使拼寫錯(cuò)誤的“維爾紐斯”版本仍然會(huì)產(chǎn)生非常相似的結(jié)果更卒。
由相同單詞組成的句子可能會(huì)被認(rèn)為是非常相似的，但永遠(yuǎn)不會(huì)完全相同稚照。
docs = [nlp(u"dog bites man"), nlp(u"man bites dog"),
nlp(u"man dog bites"), nlp(u"dog man bites")]
for doc in docs:
for other_doc in docs:
print(doc.similarity(other_doc))
有趣的是蹂空，“人咬狗”和“狗咬人”被認(rèn)為比“人咬狗”和“狗咬人”更相似。這可能是一個(gè)巧合——或者是“人”被解釋為兩個(gè)句子的主語的結(jié)果果录。
