質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

ただいまの
回答率

88.10%

word2vecで特定の分野に特化させて類義語を見つけたい

解決済

回答 2

投稿 編集

  • 評価
  • クリップ 0
  • VIEW 2,348

score 30

困ったこと

Pythonでword2vecを使い、類義語を見つけたくてこのサイトを見てやってみました。
講義の類義語は表示することができたのですが、他の単語ではできませんでした。
例えば「ねぎ」と打ち込み、「長ネギ」や「青ネギ」が出ると思ったのですがエラーが出ました。
これは使っているモデルというものが悪いのでしょうか。

知りたいこと

「長ネギ」や「青ネギ」の類義語を調べ、その中で意味が近いものに大元である「ねぎ」が来るようにしたいです。わかりやすく言うと「漫画」や「小説」は「本」に分類されるように「長ネギ」も「ねぎ」に分類されるといった、大元の類似度が高くなるようにword2vecでしたいです。
しかし、野菜に関連したモデルの作り方がわかりません。どう作るのでしょうか。

追記
コードは以下の通りです。

from gensim.models import word2vec

model = word2vec.Word2Vec.load("./wiki.model")
results = model.wv.most_similar(positive=['ねぎ'])
for result in results:
    print(result)


エラーは以下の通りです。

C:\Users\yuzuk\PycharmProjects\word2vec\venv\lib\site-packages\gensim\utils.py:1209: UserWarning: detected Windows; aliasing chunkize to chunkize_serial
  warnings.warn("detected Windows; aliasing chunkize to chunkize_serial")
Traceback (most recent call last):
  File "C:/Users/yuzuk/PycharmProjects/word2vec/word2vec.py", line 4, in <module>
    results = model.wv.most_similar(positive=['ねぎ'])
  File "C:\Users\yuzuk\PycharmProjects\word2vec\venv\lib\site-packages\gensim\models\keyedvectors.py", line 530, in most_similar
    mean.append(weight * self.word_vec(word, use_norm=True))
  File "C:\Users\yuzuk\PycharmProjects\word2vec\venv\lib\site-packages\gensim\models\keyedvectors.py", line 451, in word_vec
    raise KeyError("word '%s' not in vocabulary" % word)
KeyError: "word 'ねぎ' not in vocabulary"
  • 気になる質問をクリップする

    クリップした質問は、後からいつでもマイページで確認できます。

    またクリップした質問に回答があった際、通知やメールを受け取ることができます。

    クリップを取り消します

  • 良い質問の評価を上げる

    以下のような質問は評価を上げましょう

    • 質問内容が明確
    • 自分も答えを知りたい
    • 質問者以外のユーザにも役立つ

    評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

    質問の評価を上げたことを取り消します

  • 評価を下げられる数の上限に達しました

    評価を下げることができません

    • 1日5回まで評価を下げられます
    • 1日に1ユーザに対して2回まで評価を下げられます

    質問の評価を下げる

    teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

    • プログラミングに関係のない質問
    • やってほしいことだけを記載した丸投げの質問
    • 問題・課題が含まれていない質問
    • 意図的に内容が抹消された質問
    • 過去に投稿した質問と同じ内容の質問
    • 広告と受け取られるような投稿

    評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

    質問の評価を下げたことを取り消します

    この機能は開放されていません

    評価を下げる条件を満たしてません

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    質問の評価を下げる機能の利用条件

    この機能を利用するためには、以下の事項を行う必要があります。

質問への追記・修正、ベストアンサー選択の依頼

  • hayataka2049

    2018/09/09 23:43 編集

    「エラーが出ました」とはどういう状況ですか? 実際のコードとエラーメッセージがないとなんとも。あと、「知りたいこと」に挙げられているような階層状にたどっていくようなタスクはword2vecをそのまま使っただけでは無理です

    キャンセル

回答 2

checkベストアンサー

0

wikipediaのデータには「ねぎ」が含まれていないのかな。「ネギ」ならさすがにいけると思います。

自分で学習させるのはしんどいので、語彙が大きめの学習済みのモデルを探してきて使うのが無難と思いますが……


  • 「漫画」や「小説」は「本」
  • 「長ネギ」や「青ネギ」は「ネギ」

という結果を得たければ、基本的にはシソーラスやWordNetなどが適しています。ただ、シソーラスなどの語彙量と構造に依存する話なので(そしてどちらも満足できる水準ではないことが多いので)、厳しいですね。

割とアドホックな手法として、word2vec等分散表現を用いてシソーラスを拡張するような研究もありますが、研究レベルの話なのでツールとして気楽に使える訳ではありません。目的に合った論文を探してきて自分で実装できる実力があれば良いのですけど。

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

0

とりあえず、word2vecのmost_similarで引数の単語が見当たらない場合の対応を記載します。
word2vecは学習に用いた単語群の範囲でモデルを構築します。そのため、学習時に使用されない単語で検索するとエラーが返ってきます。よってエラー回避には希望する単語を含んだデータで再学習するのが最も確実ではないでしょうか。つまり、質問に記載される例でいうと、「ねぎ」という単語を含んだデータで学習すれば、類義語が返ってくるようになります。ただし、そのためには野菜に関する文章がそれなりの数だけ必要です。あまりに少ないとエラーにはならないものの、リストアップされないことが起こり得るのでデータを作成する段階でいろいろ工夫したほうがいいかと思います

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

15分調べてもわからないことは、teratailで質問しよう!

  • ただいまの回答率 88.10%
  • 質問をまとめることで、思考を整理して素早く解決
  • テンプレート機能で、簡単に質問をまとめられる

関連した質問

同じタグがついた質問を見る