从滑雪板看不懂HashingVectorizer

Question

我正在使用来自sklearn.feature_extraction.text的HashingVectorizer函数，但我不明白它是如何工作的。

我的代码

from sklearn.feature_extraction.text import HashingVectorizer
corpus = [ 'This is the first document.',
'This document is the second document.',
'And this is the third one.',
'Is this the first document?']
vectorizer = HashingVectorizer(n_features=2**3)
X = vectorizer.fit_transform(corpus)
print(X)

我的结果

(0, 0)        -0.8944271909999159
(0, 5)        0.4472135954999579
(0, 6)        0.0
(1, 0)        -0.8164965809277261
(1, 3)        0.4082482904638631
(1, 5)        0.4082482904638631
(1, 6)        0.0
(2, 4)        -0.7071067811865475
(2, 5)        0.7071067811865475
(2, 6)        0.0
(3, 0)        -0.8944271909999159
(3, 5)        0.4472135954999579
(3, 6)        0.0

我读了很多关于散列技巧的论文，比如本文https://medium.com/value-stream-design/introducing-one-of-the-best-hacks-in-machine-learning-the-hashing-trick-bf6a9c8af18f。

我理解这篇文章，但没有看到与上述结果之间的关系。

，你能用简单的例子解释一下HashingVectorizer的工作方式吗？

Answer 1

我认为结果是没有意义的，因为负值和默认的正常化。

如果你这样做：

vectorizer = HashingVectorizer(n_features=2**3,norm=None,alternate_sign=False)

您应该看到原始计数和结果应该开始有意义。如果您想要归一化术语频率，那么设置norm='l2'。

您正在打印的结果实质上是(document_id,position_in_matrix) counts。

有关更多信息，请参见这篇关于HashingVectorizer对CountVectorizer的文章。

Answer 2

结果是矩阵(大小为4x8)的稀疏表示。

print(X.toarray())

输出：

[[-0.89442719  0.          0.          0.          0.          0.4472136
   0.          0.        ]
 [-0.81649658  0.          0.          0.40824829  0.          0.40824829
   0.          0.        ]
 [ 0.          0.          0.          0.         -0.70710678  0.70710678
   0.          0.        ]
 [-0.89442719  0.          0.          0.          0.          0.4472136
   0.          0.        ]]

为了得到一个令牌的向量，我们计算它的散列并得到矩阵中的列索引。列是令牌的向量。