我对gensim Word2Vec 有一个问题，文档没有帮助到我。
例如，在我的文本块中有一些句子如下：
<Word1> <Word2> <Word3><Word1> <Word2> <Word3><Word1> <Word2> <Word3> ...然后在某个时候我有一个新的句子如下：
<Word1> <Word2> <Word3> <Word4>我如何检测这种情况？（当然Word4也在词典中）
我的解决方案：1）。我尝试为每个词查找最相似的词，看看 – 如果下一个词在其中 – 那就OK，否则 – 我可以找到Word4。我的意思是我会这样做：
model.most_similar('<Word_i>')ormodel.similar_by_vector('<Word_i>')在答案列表的顶部我会得到Word_i+1。但这行不通！因为我以为句子中的词在训练后会有相当相似的坐标，并且在顶部列表中Word_i+1会是Word_i的。但这是错的。当我检查这个解决方案并通过所有文本语料库进行训练时，我发现Word_2并没有出现在Word_1的顶部列表中！我的解释是，附近的词并没有相当相似的坐标，但具有上下文接近性的词有相当相似的坐标，这不是一回事..
2）。所以我的第二个解决方案是使用 doesnt_match()，它接受一个词列表，并报告与所有词的平均值最远的一个词。
print(model.doesnt_match('<Word1> <Word2> <Word3> <Word4>'.split()))是的 – 在这种情况下答案将是Word4！（所以我检测到了这个词）但如果我这样做：
print(model.doesnt_match('<Word1> <Word2> <Word3>'.split()))答案将是Word2（例如）。如果我再次探索Word1和Word3的顶部词，我不会在这些列表中看到Word2，但这个句子（Word1 Word2 Word3）是正常的。
那么我如何检测它呢？
回答：
我不确定我是否理解这里的问题，但我会尝试解释word2vec的概念以及most_similar返回什么，希望这会有所帮助。
那么，让我们考虑有两个句子的情况：<Word1> <Word2> <Word3> 和 <Word1> <Word4> <Word3>。在创建word2vec模型时，我们会取目标（当前）词的左右相同数量的词，并构造像这样的元组：(target_word, proximity_word)。假设我们想要观察目标词是中间词的情况。所以对于句子1，我们会得到(<Word2>, <Word1>) 和 (<Word2>, <Word3>)，对于句子2，我们会得到(<Word4>, <Word1>) 和 (<Word4>, <Word3>)。这样我们告诉模型<Word1> 和 <Word3> 是在<Word2>的上下文中。同样，<Word1> 和 <Word3> 是在<Word4>的上下文中。这意味着什么呢？我们可以得出结论，<Word2> 和 <Word4> 在某种程度上是相似的。
所以如果你调用most_similar(<Word2>)，你不会得到或但因为词2和4出现在相同的上下文中。也就是说，你不能期望如果你有句子<Word1> <Word2> <Word3> <Word4> 并调用most_similar(<Word3) 就能得到<Word4>的向量。相反，你会得到某个出现在词1、2和4的上下文中的词（这个上下文窗口取决于我们在训练前指定的大小）。我希望这对你有帮助，并使word2vec更加清晰。
