求解glove能否用于处理非文本数据

Question

本人的毕设要求用注意力机制挖掘数据属性列之间的联系，便于生成数据清洗规则。但是在用自注意力机处理数据时，发现相似度的计算主要基于对原始数据的embedding。因为要体现不同属性列数据间的相关性，于是考虑到了共现矩阵（目前的设想是把连续型数据离散化，大致把样本中出现的所有数据做一个简单区分就好啦）。在一通胡乱查阅资料后发现似乎可以用glove。。但是glove应该也没啥处理非文本数据的先例。有没有路过的大神能帮我看看这种思路可不可行？如果可行的化，可以对原始数据做一些怎样的处理使其能够套进glove的应用框架里。拜托啦~

Answer 1

让阿豪来帮你解答，本回答参考chatgpt3.5编写提供，如果还有疑问可以评论或留言

首先，您的思路是可行的。虽然GloVe通常用于处理文本数据，但是您可以通过一些处理方法将非文本数据转换成适合GloVe处理的形式。一种方法是将离散化后的数据转换成词向量的形式，然后再进行GloVe模型的训练。 以下是一个简单的示例代码，假设您有一组连续型数据和需要进行离散化处理：

import numpy as np
from sklearn.preprocessing import KBinsDiscretizer
from gensim.models import Word2Vec
# 原始连续型数据
data = np.array([[1.0, 2.0, 3.0], [2.0, 3.0, 4.0], [3.0, 4.0, 5.0]])
# 进行离散化处理
discretizer = KBinsDiscretizer(n_bins=3, encode='ordinal', strategy='uniform')
data_discretized = discretizer.fit_transform(data)
# 转换成词向量的形式
sentences = [list(map(str, row)) for row in data_discretized]
# 使用Word2Vec训练词向量模型
model = Word2Vec(sentences, size=100, window=5, min_count=1, workers=4)
# 获取词向量
vector = model.wv['0.0']

通过以上代码，您可以将原始数据进行离散化处理，并转换成适合GloVe处理的形式。之后您可以根据实际需求调整模型参数，并训练出对应的词向量模型。 希望对您有所帮助，祝您毕设顺利！如果有任何疑问，请随时提出。