列出预训练模型中 spaCy 中最相似的单词

有了 Gensim，在我训练了自己的模型之后，我可以使用model.wv.most_similar('cat', topn=5)并获取最接近的 5 个单词的列表cat在向量空间中。例如：

from gensim.models import Word2Vec
model = Word2Vec.load('mymodel.model')

In: model.wv.most_similar('cat', topn=5)
Out: ('kitten', .99)
     ('dog', .98)
     ...

使用 spaCy，根据文档 https://spacy.io/usage/vectors-similarity， 我可以：

import spacy

nlp = spacy.load('en_core_web_md')
tokens = nlp(u'dog cat banana')

for token1 in tokens:
    for token2 in tokens:
        print(token1.text, token2.text, token1.similarity(token2))

它给出了指定字符串中标记的相似性。但梳理文档和搜索，我无法弄清楚是否有一种 gensim 类型的方法可以列出预加载模型的所有相似单词nlp = spacy.load('en_core_web_lg') or nlp = spacy.load('en_vectors_web_lg')。有没有办法做到这一点？

我使用了安迪的回应，它工作正常但缓慢。为了解决这个问题，我采取了以下方法。

SpaCy 在后端使用余弦相似度来计算.similarity。因此，我决定更换word.similarity(w)及其优化的对应物。我使用的优化方法是cosine_similarity_numba(w.vector, word.vector)如下所示，它使用 Numba 库来加速计算。您应该将most_similar 方法中的第12 行替换为以下行。

by_similarity = sorted(queries, key=lambda w: cosine_similarity_numba(w.vector, word.vector), reverse=True)

该方法速度提高了 2-3 倍这对我来说至关重要。

from numba import jit

@jit(nopython=True)
def cosine_similarity_numba(u:np.ndarray, v:np.ndarray):
    assert(u.shape[0] == v.shape[0])
    uv = 0
    uu = 0
    vv = 0
    for i in range(u.shape[0]):
        uv += u[i]*v[i]
        uu += u[i]*u[i]
        vv += v[i]*v[i]
    cos_theta = 1
    if uu != 0 and vv != 0:
        cos_theta = uv/np.sqrt(uu*vv)
    return cos_theta

我在这篇文章中更详细地解释了它：如何在 SpaCy 中构建快速“最相似词”方法 https://towardsdatascience.com/how-to-build-a-fast-most-similar-words-method-in-spacy-32ed104fe498