私は、spacy 2.2.4 を使用し、単語のリストに対して最も類似した単語を正常に取得する、しばらく前の Google Colab ノートブックを持っています。
import spacy
import spacy.cli
spacy.cli.download("en_core_web_lg")
import en_core_web_lg
nlp = en_core_web_lg.load()
import numpy as np
import pandas as pd
print(spacy.__version__)
all_search_terms = ["technology", "internet", "smartphone"]
# define a function to get the x most similar words to a word
def most_similar(word, topn=2):
print(word)
word = nlp.vocab[str(word)]
print(word.prob)
queries = [
w for w in word.vocab
if w.is_lower == word.is_lower and w.prob >= -15 and np.count_nonzero(w.vector)
]
by_similarity = sorted(queries, key=lambda w: word.similarity(w), reverse=True)
return [(w.lower_,w.similarity(word)) for w in by_similarity[:topn+1] if w.lower_ != word.lower_]
# create function to receive a list of words and return the
# top 2 similar words for each word in the list
def get_similar_words(list_of_words):
all_similar_words = []
for word in list_of_words:
spacy_word = nlp.vocab[str(word)]
if spacy_word.has_vector:
# find similar words to the word, and store them in a dataframe along with their scores
similar_words = pd.DataFrame(most_similar(word, topn=2), columns=["word", "similarity_score"])
# save the list of similar words
similar_words_list = list(similar_words["word"])
# append the list of similar words to the list to be returned
all_similar_words.append(similar_words_list)
# flatten the list of lists to one list
all_similar_words = [item for sublist in all_similar_words for item in sublist]
# remove duplicates from the list
all_similar_words = list(dict.fromkeys(all_similar_words))
# sort list in alphabetical order
all_similar_words.sort()
return all_similar_words
# run the function on the search terms entered by the user
new_search_terms = get_similar_words(all_search_terms)
new_search_terms
出力は次のとおりです。
technology
-10.063644409179688
internet
-8.897857666015625
smartphone
-12.11159896850586
['handset', 'online', 'smartphones', 'technological', 'technologies', 'web']
問題: Spacy のバージョンが 3.0.6 で、同様の単語 (new_search_terms) のリストが空である RStudio 内の別の環境 (つまり、Google Colab を使用しない) で同じコードを実行しようとしました。また、単語の確率がすべて同じ (-20)であることにも気付きました。
spacy 3.0.6 での出力:
technology
-20.0
internet
-20.0
smartphone
-20.0
[]
以前と同じ出力を得るために、この新しいバージョンの spacy で何をする必要がありますか?