可视化词向量的好处是可以验证训练的词向量的效果，常采用TSNE方法可视化。

t-分布领域嵌入算法，它只用于已标注数据时才真正有意义，可以明确显示出输入的聚类状况。

主要想法是将高维分布点的距离用条件概率来表示相似性，同时低维分布的点也是这样表示。只要二者的条件概率非常接近(用相对熵来训练，所以需要label)，那就说明高维分布的点已经映射到低维分布上了。

1.高维距离较近的点，比较方便聚在一起，但是高维距离较远的点，却比较难在低维拉开距离。

2.训练时间较长，占用内存大。

from sklearn.manifold import TSNE
import numpy as np
import matplotlib.pyplot as plt
import random
#因为词向量文件比较大，全部可视化就什么都看不见了，所以随机抽取一些词可视化
words = list(model.wv.vocab)
random.shuffle(words)
vector = model[words]
tsne = TSNE(n_components=2,init='pca',verbose=1)
embedd = tsne.fit_transform(vector)
plt.figure(figsize=(14,10))
plt.scatter(embedd[:300,0], embedd[:300,1])
for i in range(300):
    x = embedd[i][0]
    y = embedd[i][1]
    plt.text(x, y, words[i])
plt.show()

可视化词向量的好处是可以验证训练的词向量的效果，常采用TSNE方法可视化。t-分布领域嵌入算法，它只用于已标注数据时才真正有意义，可以明确显示出输入的聚类状况。主要想法是将高维分布点的距离用条件概率来表示相似性，同时低维分布的点也是这样表示。只要二者的条件概率非常接近(用相对熵来训练，所以需要label)，那就说明高维分布的点已经映射到低维分布上了。难点：1.高维距离较近的点... 词向量 是自然语言分词在词空间中的表示，词之间的距离代表了分词之间的相似性，我们可以使用gensim,tensorflow等框架非常方便的来实现 词向量 。但 词向量 在词空间的分布到底是什么样的，如何更好的理解 词向量 是一个非常重要的问题。本文将使用tensorbord以及相关的降维技术在三维空间中模拟 词向量 在高维空间的分布。 2、训练 词向量 词向量 的训练是一个无监督的学习过程，这并不是本文... 这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 本文 词向量 ...