别再死记硬背SVD了!用Python从零手搓一个共现矩阵(附完整代码与可视化)

news2026/4/28 10:12:24
从零构建共现矩阵Python实战与可视化解析在自然语言处理领域词向量表示一直是核心课题。传统方法如TF-IDF虽然简单有效但无法捕捉词语间的语义关系。共现矩阵Co-Occurrence Matrix通过统计词语在上下文窗口中的共现频率为词嵌入提供了更丰富的语义信息。本文将带你用Python从零实现一个完整的共现矩阵构建流程包括文本预处理、字典生成、滑动窗口计数和热力图可视化。1. 理解共现矩阵的核心概念共现矩阵本质上是一个对称矩阵记录语料库中每对词语在一定窗口大小内共同出现的次数。它的核心假设是语义相近的词语往往出现在相似的上下文中。例如咖啡和茶可能经常与喝、杯子等词共同出现。关键参数解析参数说明典型值窗口大小定义上下文范围2-10权重衰减距离中心词越远权重越低线性/指数衰减最小词频过滤低频词3-5提示窗口大小选择需要平衡局部语法小窗口和全局语义大窗口的关系共现矩阵的数学表示为import numpy as np # 假设词汇表大小为V cooc_matrix np.zeros((V, V)) # 初始化V×V的零矩阵2. 数据预处理与词典构建我们从简单的文本开始构建一个完整的处理流程。以下示例使用《傲慢与偏见》的开篇段落text It is a truth universally acknowledged, that a single man in possession of a good fortune, must be in want of a wife. # 预处理函数 def preprocess(text): # 转换为小写并移除非字母字符 text text.lower() words re.findall(r\w, text) return words words preprocess(text) print(f处理后词汇: {words})构建词汇表的完整流程统计词频过滤低频词建立词到索引的映射from collections import Counter def build_vocab(words, min_count1): counter Counter(words) vocab {w:i for i,(w,c) in enumerate(counter.items()) if c min_count} return vocab vocab build_vocab(words) print(f词汇表: {vocab})3. 滑动窗口计数实现窗口大小为2的共现计数算法def build_cooccurrence_matrix(words, vocab, window_size2): V len(vocab) matrix np.zeros((V, V)) for i, center_word in enumerate(words): if center_word not in vocab: continue # 确定窗口边界 start max(0, i - window_size) end min(len(words), i window_size 1) for j in range(start, end): if j i: # 跳过中心词本身 continue context_word words[j] if context_word in vocab: matrix[vocab[center_word]][vocab[context_word]] 1 return matrix cooc_matrix build_cooccurrence_matrix(words, vocab)性能优化技巧使用稀疏矩阵存储如scipy.sparse多进程处理大型语料增量式更新矩阵4. 矩阵可视化与分析使用matplotlib和seaborn进行热力图可视化import seaborn as sns import matplotlib.pyplot as plt def visualize_matrix(matrix, vocab): plt.figure(figsize(10,8)) sns.heatmap(matrix, xticklabelsvocab.keys(), yticklabelsvocab.keys(), cmapBlues) plt.title(Co-Occurrence Matrix Heatmap) plt.show() visualize_matrix(cooc_matrix, vocab)解读热力图对角线表示词语自共现通常为0颜色深浅反映共现强度对称性验证矩阵的正确性5. 进阶应用与优化5.1 加权窗口计数距离中心词越远的上下文词贡献越小def weighted_count(matrix, center_idx, context_idx, distance): weight 1.0 / distance # 线性衰减 matrix[center_idx][context_idx] weight5.2 处理大规模语料使用生成器逐行处理大文件def process_large_corpus(file_path, window_size2): cooc_matrix np.zeros((V, V)) with open(file_path) as f: for line in f: words preprocess(line) update_matrix(cooc_matrix, words, window_size) return cooc_matrix5.3 降维与词向量生成虽然SVD是传统方法但我们可以尝试更现代的降维技术from sklearn.decomposition import TruncatedSVD def generate_word_vectors(matrix, dim50): svd TruncatedSVD(n_componentsdim) word_vectors svd.fit_transform(matrix) return word_vectors6. 实际应用案例分析科技新闻中的技术术语关联tech_news Artificial intelligence is transforming healthcare with deep learning. Blockchain and cryptocurrency are revolutionizing finance. Quantum computing promises breakthroughs in materials science. # 构建技术领域共现矩阵 tech_words preprocess(tech_news) tech_vocab build_vocab(tech_words) tech_matrix build_cooccurrence_matrix(tech_words, tech_vocab, window_size3) # 找出强关联词对 strong_pairs np.where(tech_matrix 1) for i,j in zip(*strong_pairs): print(f{list(tech_vocab.keys())[i]} - {list(tech_vocab.keys())[j]})7. 常见问题与调试技巧问题1矩阵过于稀疏增大窗口尺寸降低最小词频阈值使用更丰富的语料问题2内存不足使用稀疏矩阵格式分批处理数据降低词汇表规模问题3无意义的强关联去除停用词添加词性过滤使用短语检测# 调试示例检查特定词对的共现 word1 deep word2 learning print(f共现次数: {cooc_matrix[vocab[word1]][vocab[word2]]})8. 完整代码实现以下是整合所有功能的完整实现import numpy as np import re from collections import Counter import seaborn as sns import matplotlib.pyplot as plt class CooccurrenceMatrix: def __init__(self, window_size2, min_count1): self.window_size window_size self.min_count min_count self.vocab {} self.matrix None def preprocess(self, text): text text.lower() return re.findall(r\w, text) def build_vocab(self, words): counter Counter(words) self.vocab {w:i for i,(w,c) in enumerate(counter.items()) if c self.min_count} self.matrix np.zeros((len(self.vocab), len(self.vocab))) def fit(self, text): words self.preprocess(text) self.build_vocab(words) for i, center_word in enumerate(words): if center_word not in self.vocab: continue start max(0, i - self.window_size) end min(len(words), i self.window_size 1) for j in range(start, end): if j i: continue context_word words[j] if context_word in self.vocab: center_idx self.vocab[center_word] context_idx self.vocab[context_word] self.matrix[center_idx][context_idx] 1 def visualize(self): plt.figure(figsize(10,8)) sns.heatmap(self.matrix, xticklabelsself.vocab.keys(), yticklabelsself.vocab.keys(), cmapBlues) plt.title(Co-Occurrence Matrix) plt.show() # 使用示例 text Your input text here... cooc CooccurrenceMatrix(window_size2) cooc.fit(text) cooc.visualize()在实际项目中共现矩阵往往只是NLP流水线的第一步。我发现将窗口大小设置为3-5配合适当的最小词频过滤如min_count3能在语义捕捉和计算效率间取得较好平衡。对于特别长的文档分段落处理后再合并矩阵结果通常效果更好。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2543152.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

SpringBoot-17-MyBatis动态SQL标签之常用标签

文章目录 1 代码1.1 实体User.java1.2 接口UserMapper.java1.3 映射UserMapper.xml1.3.1 标签if1.3.2 标签if和where1.3.3 标签choose和when和otherwise1.4 UserController.java2 常用动态SQL标签2.1 标签set2.1.1 UserMapper.java2.1.2 UserMapper.xml2.1.3 UserController.ja…

wordpress后台更新后 前端没变化的解决方法

使用siteground主机的wordpress网站,会出现更新了网站内容和修改了php模板文件、js文件、css文件、图片文件后,网站没有变化的情况。 不熟悉siteground主机的新手,遇到这个问题,就很抓狂,明明是哪都没操作错误&#x…

网络编程(Modbus进阶)

思维导图 Modbus RTU(先学一点理论) 概念 Modbus RTU 是工业自动化领域 最广泛应用的串行通信协议,由 Modicon 公司(现施耐德电气)于 1979 年推出。它以 高效率、强健性、易实现的特点成为工业控制系统的通信标准。 包…

UE5 学习系列(二)用户操作界面及介绍

这篇博客是 UE5 学习系列博客的第二篇,在第一篇的基础上展开这篇内容。博客参考的 B 站视频资料和第一篇的链接如下: 【Note】:如果你已经完成安装等操作,可以只执行第一篇博客中 2. 新建一个空白游戏项目 章节操作,重…

IDEA运行Tomcat出现乱码问题解决汇总

最近正值期末周,有很多同学在写期末Java web作业时,运行tomcat出现乱码问题,经过多次解决与研究,我做了如下整理: 原因: IDEA本身编码与tomcat的编码与Windows编码不同导致,Windows 系统控制台…

利用最小二乘法找圆心和半径

#include <iostream> #include <vector> #include <cmath> #include <Eigen/Dense> // 需安装Eigen库用于矩阵运算 // 定义点结构 struct Point { double x, y; Point(double x_, double y_) : x(x_), y(y_) {} }; // 最小二乘法求圆心和半径 …

使用docker在3台服务器上搭建基于redis 6.x的一主两从三台均是哨兵模式

一、环境及版本说明 如果服务器已经安装了docker,则忽略此步骤,如果没有安装,则可以按照一下方式安装: 1. 在线安装(有互联网环境): 请看我这篇文章 传送阵>> 点我查看 2. 离线安装(内网环境):请看我这篇文章 传送阵>> 点我查看 说明&#xff1a;假设每台服务器已…

XML Group端口详解

在XML数据映射过程中&#xff0c;经常需要对数据进行分组聚合操作。例如&#xff0c;当处理包含多个物料明细的XML文件时&#xff0c;可能需要将相同物料号的明细归为一组&#xff0c;或对相同物料号的数量进行求和计算。传统实现方式通常需要编写脚本代码&#xff0c;增加了开…

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器的上位机配置操作说明

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器专为工业环境精心打造&#xff0c;完美适配AGV和无人叉车。同时&#xff0c;集成以太网与语音合成技术&#xff0c;为各类高级系统&#xff08;如MES、调度系统、库位管理、立库等&#xff09;提供高效便捷的语音交互体验。 L…

(LeetCode 每日一题) 3442. 奇偶频次间的最大差值 I (哈希、字符串)

题目&#xff1a;3442. 奇偶频次间的最大差值 I 思路 &#xff1a;哈希&#xff0c;时间复杂度0(n)。 用哈希表来记录每个字符串中字符的分布情况&#xff0c;哈希表这里用数组即可实现。 C版本&#xff1a; class Solution { public:int maxDifference(string s) {int a[26]…

【大模型RAG】拍照搜题技术架构速览:三层管道、两级检索、兜底大模型

摘要 拍照搜题系统采用“三层管道&#xff08;多模态 OCR → 语义检索 → 答案渲染&#xff09;、两级检索&#xff08;倒排 BM25 向量 HNSW&#xff09;并以大语言模型兜底”的整体框架&#xff1a; 多模态 OCR 层 将题目图片经过超分、去噪、倾斜校正后&#xff0c;分别用…

【Axure高保真原型】引导弹窗

今天和大家中分享引导弹窗的原型模板&#xff0c;载入页面后&#xff0c;会显示引导弹窗&#xff0c;适用于引导用户使用页面&#xff0c;点击完成后&#xff0c;会显示下一个引导弹窗&#xff0c;直至最后一个引导弹窗完成后进入首页。具体效果可以点击下方视频观看或打开下方…

接口测试中缓存处理策略

在接口测试中&#xff0c;缓存处理策略是一个关键环节&#xff0c;直接影响测试结果的准确性和可靠性。合理的缓存处理策略能够确保测试环境的一致性&#xff0c;避免因缓存数据导致的测试偏差。以下是接口测试中常见的缓存处理策略及其详细说明&#xff1a; 一、缓存处理的核…

龙虎榜——20250610

上证指数放量收阴线&#xff0c;个股多数下跌&#xff0c;盘中受消息影响大幅波动。 深证指数放量收阴线形成顶分型&#xff0c;指数短线有调整的需求&#xff0c;大概需要一两天。 2025年6月10日龙虎榜行业方向分析 1. 金融科技 代表标的&#xff1a;御银股份、雄帝科技 驱动…

观成科技:隐蔽隧道工具Ligolo-ng加密流量分析

1.工具介绍 Ligolo-ng是一款由go编写的高效隧道工具&#xff0c;该工具基于TUN接口实现其功能&#xff0c;利用反向TCP/TLS连接建立一条隐蔽的通信信道&#xff0c;支持使用Let’s Encrypt自动生成证书。Ligolo-ng的通信隐蔽性体现在其支持多种连接方式&#xff0c;适应复杂网…

铭豹扩展坞 USB转网口 突然无法识别解决方法

当 USB 转网口扩展坞在一台笔记本上无法识别,但在其他电脑上正常工作时,问题通常出在笔记本自身或其与扩展坞的兼容性上。以下是系统化的定位思路和排查步骤,帮助你快速找到故障原因: 背景: 一个M-pard(铭豹)扩展坞的网卡突然无法识别了,扩展出来的三个USB接口正常。…

未来机器人的大脑:如何用神经网络模拟器实现更智能的决策?

编辑&#xff1a;陈萍萍的公主一点人工一点智能 未来机器人的大脑&#xff1a;如何用神经网络模拟器实现更智能的决策&#xff1f;RWM通过双自回归机制有效解决了复合误差、部分可观测性和随机动力学等关键挑战&#xff0c;在不依赖领域特定归纳偏见的条件下实现了卓越的预测准…

Linux应用开发之网络套接字编程(实例篇)

服务端与客户端单连接 服务端代码 #include <sys/socket.h> #include <sys/types.h> #include <netinet/in.h> #include <stdio.h> #include <stdlib.h> #include <string.h> #include <arpa/inet.h> #include <pthread.h> …

华为云AI开发平台ModelArts

华为云ModelArts&#xff1a;重塑AI开发流程的“智能引擎”与“创新加速器”&#xff01; 在人工智能浪潮席卷全球的2025年&#xff0c;企业拥抱AI的意愿空前高涨&#xff0c;但技术门槛高、流程复杂、资源投入巨大的现实&#xff0c;却让许多创新构想止步于实验室。数据科学家…

深度学习在微纳光子学中的应用

深度学习在微纳光子学中的主要应用方向 深度学习与微纳光子学的结合主要集中在以下几个方向&#xff1a; 逆向设计 通过神经网络快速预测微纳结构的光学响应&#xff0c;替代传统耗时的数值模拟方法。例如设计超表面、光子晶体等结构。 特征提取与优化 从复杂的光学数据中自…