PsychWordVec

PsychWordVec

ผู้เขียน

ฮั่นอู่ซวง (บรูซ) เปาเปา ฮันอู๋ซวง

[email protected]

?psychbruce.github.io

การอ้างอิง

• Bao, H.-W.-S. (2022). PsychWordVec : การฝังคำกรอบการวิจัยสำหรับวิทยาศาสตร์จิตวิทยา
  • หมายเหตุ : นี่เป็นรูปแบบการอ้างอิงดั้งเดิม โปรดดูข้อมูลเมื่อคุณ library( PsychWordVec ) สำหรับรูปแบบ APA-7 ของเวอร์ชันที่คุณติดตั้ง
• Bao, H.-W.-S., Wang, Z.-X., Cheng, X., Su, Z., Yang, Y., Zhang, G.-Y., Wang, B., & Cai, H. (2023) การใช้การฝังคำเพื่อตรวจสอบ จิตวิทยา มนุษย์: วิธีการและการประยุกต์.
  [Bao Han, Wu Shuang, Wang Zixi, Cheng Xi, Su Zhan, Yang Ying, Zhang Guangyao, Wang Bo, Cai Huajian (2023) การวิจัยทาง จิตวิทยา โดยใช้เทคโนโลยีการฝังคำ: วิธีการและการประยุกต์ (6) , 887--904.]

การติดตั้ง

PsychWordVec") ## Method 2: Install from GitHub install.packages("devtools") devtools::install_github("psychbruce/ PsychWordVec ", force=TRUE)">

 # # Method 1: Install from CRAN
install.packages( " PsychWordVec " )

# # Method 2: Install from GitHub
install.packages( " devtools " )
devtools :: install_github( " psychbruce/ PsychWordVec " , force = TRUE )

ประเภทของข้อมูลสำหรับ PsychWordVec

	embed	wordvec
ชั้นเรียนขั้นพื้นฐาน	เมทริกซ์	ข้อมูล.ตาราง
ขนาดแถว	ขนาดคำศัพท์	ขนาดคำศัพท์
ขนาดคอลัมน์	ขนาดมิติ	2 (ตัวแปร: word , vec )
ข้อได้เปรียบ	เร็วขึ้น (ด้วยการทำงานของเมทริกซ์)	ตรวจสอบและจัดการได้ง่ายขึ้น
ฟังก์ชั่นที่จะได้รับ	as_embed()	as_wordvec()
ฟังก์ชั่นในการโหลด	load_embed()	load_wordvec()

: หมายเหตุ: การฝังคำหมายถึงเทคนิคการประมวลผลภาษาธรรมชาติที่ฝังความหมายของคำลงใน เมทริกซ์การฝังมิติ ต่ำ โดยแต่ละคำ (จริงๆ แล้วโทเค็น) จะถูกระบุปริมาณเป็น เวกเตอร์ตัวเลข ที่แสดงถึงคุณลักษณะทางความหมาย (ไม่สามารถตีความได้) ข้อมูลเวกเตอร์เป็นคลาส embed โดยใช้ฟังก์ชัน load_embed() ซึ่งจะปรับเวกเตอร์คำทั้งหมดให้เป็นมาตรฐานโดยอัตโนมัติตามความยาวหน่วย 1 (ดูฟังก์ชัน normalize() ) และเร่งการทำงานของ ฟังก์ชั่นส่วนใหญ่ใน PsychWordVec .

ฟังก์ชั่นใน PsychWordVec

• Word Embeddings การจัดการข้อมูลและการเปลี่ยนแปลง
  • as_embed() : จาก wordvec (data.table) ถึง embed (เมทริกซ์)
  • as_wordvec() : จาก embed (เมทริกซ์) ถึง wordvec (data.table)
  • load_embed() : โหลดข้อมูลการฝังคำเป็นแบบ embed (เมทริกซ์)
  • load_wordvec() : โหลดข้อมูลการฝังคำเป็น wordvec (data.table)
  • data_transform() : แปลงเวกเตอร์คำข้อความธรรมดาเป็น wordvec หรือ embed
• การแยกคำเวกเตอร์ การดำเนินการเชิงเส้น และการแสดงภาพ
  • subset() : แยกชุดย่อยของ wordvec และ embed
  • normalize() : ทำให้เวกเตอร์คำทั้งหมดเป็นมาตรฐานตามความยาวหน่วย 1
  • get_wordvec() : แยกเวกเตอร์คำ
  • sum_wordvec() : คำนวณเวกเตอร์ผลรวมของคำหลายคำ
  • plot_wordvec() : แสดงภาพเวกเตอร์คำ
  • plot_wordvec_tSNE() : การสร้างภาพ 2D หรือ 3D ด้วย t-SNE
  • orth_procrustes() : การจัดตำแหน่งเมทริกซ์ Orthogonal Procrustes
• การวิเคราะห์ความคล้ายคลึงกันทางความหมายของคำ การวิเคราะห์เครือข่าย และการทดสอบการเชื่อมโยง
  • cosine_similarity() : cos_sim() หรือ cos_dist()
  • pair_similarity() : คำนวณเมทริกซ์ความคล้ายคลึงของคู่คำ
  • plot_similarity() : แสดงภาพความคล้ายคลึงกันของคู่คำ
  • tab_similarity() : จัดตารางความคล้ายคลึงกันของคู่คำ
  • most_similar() : ค้นหาคำที่มี Top-N คล้ายกันมากที่สุด
  • plot_network() : แสดงภาพกราฟเครือข่ายของคำ (ความสัมพันธ์บางส่วน)
  • test_WEAT() : WEAT และ SC-WEAT พร้อมการทดสอบการเรียงสับเปลี่ยนนัยสำคัญ
  • test_RND() : RND พร้อมการทดสอบการเรียงสับเปลี่ยนนัยสำคัญ
• การวิเคราะห์การขยายพจนานุกรมอัตโนมัติและความน่าเชื่อถือ
  • dict_expand() : ขยายพจนานุกรมจากคำที่คล้ายกันมากที่สุด
  • dict_reliability() : การวิเคราะห์ความน่าเชื่อถือและ PCA ของพจนานุกรม
• การฝึกอบรมท้องถิ่นของการฝังคำแบบคงที่ (Word2Vec, GloVe และ FastText)
  • tokenize() : tokenize ข้อความดิบ
  • train_wordvec() : ฝึกการฝังคำแบบคงที่
• โมเดลภาษาที่ได้รับการฝึกอบรมล่วงหน้า (PLM) และการฝังคำตามบริบท
  • text_init() : ตั้งค่าสภาพแวดล้อม Python สำหรับ PLM
  • text_model_download() : ดาวน์โหลด PLM จาก Hugging Face ไปยังโฟลเดอร์ ".cache" ในเครื่อง
  • text_model_remove() : ลบ PLM ออกจากโฟลเดอร์ ".cache" ในเครื่อง
  • text_to_vec() : แยกโทเค็นตามบริบทและการฝังข้อความ
  • text_unmask() : <deprecated> <please use FMAT> กรอกมาสก์ว่างในแบบสอบถาม

ดูเอกสารประกอบ (หน้าช่วยเหลือ) สำหรับการใช้งานและรายละเอียด

ขยาย