基于w2v词向量聚类出现的问题（有待解决）

Posted 2021-01-11 kjkj

1.训练词向量代码如下：
#训练词语为向量表示
def w2v_train(self):

    ques = self.cu.execute(‘select question from activity‘)#将所有问题内容作为预料训练一个w2v模型
    da_all = []
    for d in ques:
        da_all.append(d[0])
    sentences = self.get_text(da_all)
    model = Word2Vec()
    model.build_vocab(sentences)
    model.train(sentences,total_examples = model.corpus_count,epochs = model.iter)
    model.save("./tmp/user_w2corpus")
训练的结果为一个词一个向量
2.重新将某用户的每个问题取出来进行分词，然后聚类

def simmetric_topic_A(self,clust_num,userid):
    from sklearn.cluster import KMeans
    from sklearn.externals import joblib
    texts=self.get_dict(userid)[1]  # 词汇
    texts_len=len(texts)
    model = gensim.models.Word2Vec.load(‘./tmp/user_w2corpus‘)
    texts_vec=[]#将每个计算完单个句子的向量的结果存储到该列表即返回句子向量
    X=[]
    for text in texts:#将每个句子循环一次
        text_vec=np.zeros((100,))#由于默认的w2v训练得到的向量维度为100，所以初始化为100,开始初始化为0，但是如果该句子中只有一个词汇并且该词汇没有训练到，则维度无法与之前保持一致
        for t in text:#每个句子中的每个词汇的向量求和
            try:
               # text_vec+=model[t]#得到句子向量
               X.append(model[t])#将词加入X,某个词如果出现在多个文档中，则会加入X多次
            except Exception as e:
                print(‘训练的向量集合中没有留下该词汇‘,e)
3.发现聚类效果还可以，但是用来聚类的词由于每个问题中会有重复词，所以会导致最后用于聚类的词有很多一样的，于是我将词去重后重新聚类，但是效果却十分不好，聚类的质心根本没有达到想要的效果（质心对应的词不能代表该用户关注的某个主题），
而有重复词的却达到了我想要的效果，是因为样本量大的原因吗？但是我是通过计算词汇向量之间的相似度来聚类的，不过我控制了聚类个数，但是去重前后的词不变，按理说不该聚类中心变化不是吗？？？