تحليل تضمينات الكلمات - كتاب الذكاء الإصطناعي - الصف 12 - الفصل 1 - المملكة العربية السعودية

الأبعاد العشرة الأولى للتضمين العددي لكلمة fox (ثعلب) موضحة بالأسفل:fox_emb[:10]array([-0.08203125, -0.01379395, -0.3125 , -0.04125977, 0.05493164, -0.12988281, -0.10107422, -0.00164795, 0.15917969, 0.12402344], dtype=float32)يُستخدم النموذج تضمينات الكلمات لتقييم درجة التشابه. فكر في المثال التالي حيث تظهر المقارنة بين كلمة car (السيارة) والكلمات الأخرى درجة التشابه من خلال تناقص قيم التشابه. علمًا بأن قيم التشابه تقع دوماً بين 0 و 1.pairs = [ ('car', 'minivan'), ('car', 'bicycle'), ('car', 'airplane'), ('car', 'street'), ('car', 'apple'), ] for w1, w2 in pairs: print(w1, w2, model_wv.similarity(w1, w2))car minivan 0.69070363 car bicycle 0.5364484 car airplane 0.42435578 car street 0.33141237 car apple 0.12830706يُمكن استخدام المقطع البرمجي التالي للعثور على الكلمات الخمسة المشابهة لإحدى الكلمات:print(model_wv.most_similar(positive=['apple'], topn=5))[('apples', 0.720359742641449), ('pear', 0.6450697183609009), ('fruit', 0.6410146355628967), ('berry', 0.6302295327186584), ('pears', 0.613396167755127)]يُمكن استخدام التصوير في التحقق من صحة تضمينات هذا النموذج المدرب مسبقًا. ويُمكن تحقيق ذلك عبر: • تحديد نماذج الكلمات من مجموعة بيانات هيئة الإذاعة البريطانية. • استخدام تضمين المجاور العشوائي الموزع على شكل T (T-SNE) لتخفيض التضمين ذي الـ 300 بعد لكل كلمة إلى نقطة ثنائية الأبعاد. • تصوير النقاط في مخطط الانتشار في الفضاء ثنائي الأبعاد.2025 - 1447