是否只有针对特定主题的预训练向量？例如“ java”，所以我要在文件中找到与向量相关的java。意思是，如果我给出输入继承，则余弦相似度仅显示多态性和其他相关信息！ 我使用语料库作为GoogleNews-vectors-negative300.bin和Glove载体。仍然没有得到相关的单词。
答案 0 :(得分：0)
不确定我是否理解您的问题/问题陈述，但是如果您想使用Java源代码库，则可以使用 code2vec ，它提供了预训练的单词嵌入模型。签出：https://code2vec.org/
答案 1 :(得分：0)
是的，您有时可以找到其他组的经过预先训练的向量以供下载，这些向量可以更好地覆盖他们所训练的任何问题领域：更加专业的词，以及与词义相匹配的词向量域。
例如，GoogleNews单词向量在大约2012年的新闻报道中受到训练，因此'Java'的向量是由Java岛的故事主导的，与编程语言一样。还有许多其他向量集都在Wikipedia文本上进行了训练，这些文本集将以该特定参考风格的用法为主导。但是可能还有其他集合可以更好地强调您所需要的词义。
但是，最好的方法通常是从与您关注的主题/文档非常匹配的训练语料库中训练自己的单词向量。然后，将单词向量调整到您所关注的领域。只要您有足够多的上下文中使用的单词示例，所得矢量可能会比其他人的语料库中的通用矢量更好。 （“足够”没有明确的定义，但是通常至少有5种，理想情况下是数十种到数百种具有代表性的多种用途。）
让我们考虑一下您的示例目标-在“多态性”和“输入继承”的概念之间显示出一些相似之处。为此，您需要一个训练语料库，最好是在许多问题背景下，从许多作者那里多次讨论这些概念。 （可能是课本，在线文章和“堆栈溢出”页面的来源。）
您还需要一种令牌化策略，该策略可以为两个单词的概念'input_inheritance'创建一个单词令牌-这是一个单独的挑战，可以通过（1）手工制作来解决应合并的多词短语词汇表； （2）对似乎经常出现的单词对进行统计分析，应将它们组合在一起； （3）更复杂的语法感知短语和实体检测预处理。
（GoogleNews集中的多字词组是通过统计算法创建的，该统计算法也可以在gensim Python库中作为Phrases类使用。但是，Google使用的确切参数据我所知，这个算法的好结果可能需要大量数据和调整，并且仍然会导致人们认为无聊和遗漏的某些组合。其他人认为自然的东西。）