エラーコードが分かりません

Question

word2vecで名詞のみかつリスト化された文章から分散表現取得したいです。
gensim のword2vecを使用し、分散表現はPC にファイルとして保存したいです。

from pymongo import MongoClient
from bs4 import BeautifulSoup
import MeCab
from gensim.models import word2vec

mecab = MeCab.Tagger ('/usr/local/lib/mecab/dic/mecab-ipadic-neologd')
def main():
    recipes = []
    client = MongoClient('localhost', 27017)
    db = client.html.cookpad_html
    collection = db.test_collection
    htmls = list(db.find().limit(5))
    recipes = []
    for num, html in enumerate(htmls):
        soup = BeautifulSoup(html["html"], 'lxml')
        for steps in soup.find_all(attrs={"class": "step_text"}):
            node = mecab.parseToNode(steps.get_text())

            while node:
                feature = node.feature.split(",")
                if feature[0] == "名詞" and feature[1] == "一般":
                    recipes.append(node.feature.split(",")[6])
                node = node.next
                recipes = list(set(recipes))
                
    print(recipes)

    model = word2vec.Word2Vec(recipes, size=200,min_count=1)

    out = model.wv.most_similar(positive=[u'レモン'])
    for x in out:
        print (x[0],x[1])


        
if __name__ == '__main__':
    main()

この結果が

['片栗粉', '砂糖', 'オリーブ油', 'パウダー', 'チョコ', 'レモン', '卵', '感じ', '餅', '分量', 'カテゴリ', 'シリコン', '半', 'カラメル', '他', 'おから', 'ボウル', 'ボール', 'ハチミツ', '人気', 'ラップ', '饅頭', 'レンジ', '餡', 'バニラ', 'カップ', 'お菓子', '絶品', 'レン', '*', 'トレー', 'バット', '水', 'べら', '大福', '様子', 'トップ', '茶こし', '卵白', '真ん中', '生地', '牛乳', '玉子', '卵黄', '縦', 'エッセンス', 'レシピ', '横', 'ポイント', '見た目', 'だま', 'たま', '容器', 'イン', '木', '材料', '姉妹', '電子', 'ツノ', 'もち', 'ヨーグルト']

　　と名詞は出てきたんですけど、

---------------------------------------------------------------------------
KeyError                                  Traceback (most recent call last)
<ipython-input-31-32946ebb0ac4> in <module>
     35 
     36 if __name__ == '__main__':
---> 37     main()

<ipython-input-31-32946ebb0ac4> in main()
     28     model = word2vec.Word2Vec(recipes, size=200,min_count=1)
     29 
---> 30     out = model.wv.most_similar(positive=[u'レモン'])
     31     for x in out:
     32         print (x[0],x[1])

~/anaconda3/lib/python3.7/site-packages/gensim/models/keyedvectors.py in most_similar(self, positive, negative, topn, restrict_vocab, indexer)
    551                 mean.append(weight * word)
    552             else:
--> 553                 mean.append(weight * self.word_vec(word, use_norm=True))
    554                 if word in self.vocab:
    555                     all_words.add(self.vocab[word].index)

~/anaconda3/lib/python3.7/site-packages/gensim/models/keyedvectors.py in word_vec(self, word, use_norm)
    466             return result
    467         else:
--> 468             raise KeyError("word '%s' not in vocabulary" % word)
    469 
    470     def get_vector(self, word):
KeyError: "word 'レモン' not in vocabulary"

とエラーが出てきました。

どうすればいいですか？

Comments

[hayataka2049]

エラーは省略せず記載してください。質問の修正をお願いします。

[hayataka2049]

tracebackも最初から含めてです。

Answer 1

out = model.wv.most_similar()(positive=[u'レモン'])

ここ変ですね。

まずmodel.wv.most_similar()の部分が引数なしで呼び出されますが、そうするとデフォルト値のNoneなどが渡されたことになり、質問文のエラーになるのだと思います。

out = model.wv.most_similar(positive=[u'レモン'])

とするべきでしょう。

Comments

[kawauso.love]

もともと、
out = model.most_similar(positive=[u'レモン'])
にしていたら、

非推奨の `most_similar`の呼び出し（メソッドは4.0.0で削除されます。代わりにself.wv.most_similar（）を使用してください）。

とエラーが出てきたので、
out = model.wv.most_similar()(positive=[u'レモン'])
にしました。

[kawauso.love]

ありがとうございます。直りました！
でもそうしたら、
KeyError: "word 'レモン' not in vocabulary"
とエラーが出てきました。どうすればいいですか？

[hayataka2049]

代わりにself.wv.most_similar（）を使用してください
は、
out = model.wv.most_similar()(positive=[u'レモン'])
と書けという意味ではありません。
慣用的に関数・メソッド名などはカッコつきで表されることがあります。コード上で呼び出すときはカッコを二重に重ねたりはしません。

[hayataka2049]

＞KeyError: "word 'レモン' not in vocabulary"
まず、 Word2Vecモデルの初期化時にはlist of lists of tokensを渡す必要があるので、質問文の使い方は間違っています。
また、学習データに含まれない単語に対しては距離の計算ができません。
ついでにいうと、その規模のデータで現実的な学習を行うのは難しいです（少なくとも1MBくらいはないとまともっぽい結果にはならないかと）。

[kawauso.love]

ご丁寧にありがとうございます。すみません初心者なんでちょっと難しくて分からないんですけど、　
まず　self.wv.most_similar（）を使用するのは、https://qiita.com/hideki/items/56dc5c4492b351c1925f このサイトを参考にすれば出来ますか？
後、データは沢山あるので、１２行目の　htmls = list(db.find().limit(5))
をhtmls = list(db.find().limit(100000))などにしたら出来ますか？

[hayataka2049]

二つの出来ますか？については、出来ませんとお答えします。16:01のわたしのコメントの引用後の1行目の問題が解決していないからです。

公式のリファレンスを参考にされるのが一番良いかと思います。たとえばパラメータについては
sentences (iterable of iterables, optional) – The sentences iterable can be simply a list of lists of tokens,
https://radimrehurek.com/gensim/models/word2vec.html
という説明があります。

[kawauso.love]

分かりました！ありがとうございます。やってみます！

Answer 2

google翻訳
ValueError: 入力なしで類似度を計算できません

Comments

[kawauso.love]

どうすればいいですか？

[y_waiwai]

入力を与えましょう