加载佩带的单词嵌入

加载嵌入使用的预磨词fasttextwordembeddings.。此功能需要文本分析工具箱™模型对于FastText英语160亿令牌字嵌入金宝app支持包。如果未安装此支持金宝app包，则该函数提供了下载链接。

emb = fasttextwordembeddings.

emb = wordembeddings与属性：维度：300词汇：[1×999994字符串]

探索嵌入使用的单词Word2vec.和vec2word.。转换这些词语意大利那罗马， 和巴黎使用Word2vec.。

意大利= word2vec（emb，“意大利”）;罗马= word2vec（emb，“罗马”）;巴黎= Word2Vec（emb，“巴黎”）;

计算给出的矢量意大利 - 罗马+巴黎。此矢量封装了单词的语义含义意大利，没有词的语义罗马，还包括单词的语义巴黎。

Vec =意大利 - 罗马+巴黎

vec =1×300单行矢量0.1606 -0.0690 0.1183 -0.0349 0.0672 0.0907 -0.1820 -0.0080 0.0320 -0.0936 -0.0329 -0.1548 0.1737 -0.0937 -0.1619 0.0777 -0.0843 0.0066 0.0600 -0.2059 -0.0268 0.1350 -0.0900 0.0314 0.0686 -0.0338 0.1841 0.1708 0.0276 0.0719 -0.1667 0.0231 0.0265 -0.1773-0.1135 0.1018 -0.2339 0.1008 0.1057 -0.1118 0.2891 -0.0358 0.0911-0.0958 -0.0184 0.0740 -0.1081 0.0826 0.0463 0.0830

找到嵌入到嵌入的最接近的单词v使用vec2word.。

Word = vec2word（emb，Vec）

Word =“法国”

创建2-D文本散点图

通过使用2-D文本散点图绘图来可视化嵌入的单词徐和TextScatter.。

将前5000个单词转换为使用的向量Word2vec.。V.是长度300的字矢量矩阵。

单词= emb.vocabulary（1：5000）;v = word2vec（mem，单词）;尺寸（v）

ans =.1×25000 300.

使用二维空间中的单词向量使用徐。此功能可能需要几分钟才能运行。如果要显示收敛信息，请设置'verbose'名称值对至1。

XY = TSNE（v）;

绘制指定的坐标处的单词XY.在2-D文本散点图中。可读性，TextScatter.默认情况下，不显示所有输入字并显示标记。

图TextStmatter（XY，单词）标题（“嵌入T-SNE PLOT的单词”）

放大图的一部分。

XLIM（[ -  18-5]）ylim（[11 21]）

创建3-D文本散点图

通过使用3-D文本散点图绘图来可视化嵌入的单词徐和TextScatter.。

将前5000个单词转换为使用的向量Word2vec.。V.是长度300的字矢量矩阵。

单词= emb.vocabulary（1：5000）;v = word2vec（mem，单词）;尺寸（v）

ans =.1×25000 300.

使用三维空间中的单词向量使用徐通过指定三个的尺寸的数量。此功能可能需要几分钟才能运行。如果要显示收敛信息，则可以设置'verbose'名称值对至1。

XYZ = TSNE（v，'numdimensions'，3）;

在3-D文本散点图中绘制XYZ指定的坐标处的单词。

图TS = TextScatter3（XYZ，单词）;标题（“嵌入t-sne plot的3-d字”）

放大图的一部分。

XLIM（[12.04 19.48]）ylim（[ -  2.66 3.40]）zlim（[10.03 14.53]）

执行集群分析

将前5000个单词转换为使用的向量Word2vec.。V.是长度300的字矢量矩阵。

单词= emb.vocabulary（1：5000）;v = word2vec（mem，单词）;尺寸（v）

ans =.1×25000 300.

发现25个群集威彻斯。

cidx = kmeans（v，25，'dist'那'sqeuclidean'）;

使用前面计算的2-D T-SNE数据坐标可视化文本散点图中的群集。

图textsmatter（XY，单词，'colordata'，分类（CIDX））;标题（“嵌入T-SNE PLOT的单词”）

放大图的一部分。

XLIM（[1344]）ylim（[ -  47 -35]）