我想了解word2vec输出中每个维度的含义。
例如,如果我用一个热编码变量创建一个决策树,则可以准确分辨出分类变量中哪个类别负责拆分。但是,如果使用嵌入,则无法解释这些拆分的原因。
我知道嵌入(国王)的著名示例-嵌入(男人)+嵌入(女人)=嵌入(女王)。从这个例子中,我们可以说“特许权”的特征已经被理解。
我猜想一种方法是根据余弦相似度对相似的数据点进行聚类,以获得有关输出特征是什么的上下文。
例如,如果我得到一个数据点的最近3个邻居为“公里”,“英寸”和“英里”。我可以推断出“长度”是可能负责决策树中的拆分的原因。但是,我想知道是否还有另一种方法。