我有各种餐厅标签，我也有一些与餐厅无关的词。
vegan
vegetarian
pizza
burger
transportation
coffee
Bookstores
Oil and Lube
我有大约 500 个标签的组合。我想知道有没有办法选择与食物选择相关的类似标签，而省略油和润滑油、运输等词。
我尝试使用word2vec，但是，其中一些单词不止一个，无法找到正确的方法。
蛮力方法是手动标记它们。但是，我想知道有没有办法使用 NLP 或 Word2Vec 将所有相关标签聚集在一起。
Word2Vec 可以帮助解决这个问题，但需要考虑的关键因素是：
-
你的词向量是如何训练的？使用现成的向量(例如在大量新闻故事语料库上训练的流行
GoogleNews向量(不太可能与您所在域中这些词的含义紧密匹配，或者包含多词标记，如"oil_and_lube"。但是，如果你有一个来自你自己领域的良好训练语料库，以及来自受控词汇表(如oil_and_lube(的多词标记，这些标记用于上下文，你可能会得到相当好的向量，准确地说出你需要的标记。
词 向量的相似性不是严格意义上的"同义词"，而是通常其他形式的密切关系，包括对立性和其他方式，词可以互换或在类似的上下文中使用。因此，单词向量相似性值是否为你特定的"与食物相关"测试提供了一个良好的阈值截止值，你必须尝试和修补。(例如：作为插入替换的单词是彼此最接近，还是同一主题中的常见单词彼此最接近，可能会受到
window参数是更小还是更大的影响。因此，您可以发现调整 Word2Vec 训练参数可以根据您的特定需求改进生成的向量。
就如何进行提出更多建议将需要有关可用训练数据的更多详细信息 - 这些标签来自哪里？ 他们采用什么格式？ 你有多少？ – 以及您的最终目标 – 为什么区分餐厅和非餐厅标签很重要？
好的，谢谢你的详细信息。
为了在word2vec上进行训练，您应该考虑以下事实：
- 您需要一个庞大且可变的文本数据集。检查您的训练集，并确保它包含您需要的有用数据，以便获得您想要的内容。
- 每行设置一个句子/短语。
- 对于预处理，您需要删除标点符号并将所有字符串设置为小写。
- 不要词形还原或词干还原，因为文本会不那么复杂！
-
尝试不同的设置：
5.1算法：我使用了word2vec，我可以说BagOfWords(BOW(在不同的训练集上提供了比SkipGram更好的结果。
5.2 层数：200层提供良好的效果
5.3 矢量大小：矢量长度 = 300 就可以了。
现在运行训练算法。该，使用获得的模型来执行不同的任务。例如，在您的情况下，对于同义词，您可以将两个单词(即向量(与余弦(或相似性(进行比较。根据我的经验，余弦提供了一个令人满意的结果：两个单词之间的距离由 0 到 1 之间的双精度给出。同义词具有高余弦值，您必须找到同义词和其他不是同义词的单词之间的界限。