20251121

Author: hiDaDeng

.DS_Store

@@ -4,7 +4,7 @@
 
 
 ```
-pip3 install cntext --upgrade
+pip3 install cntext
 ```
 
 
@@ -13,4 +13,14 @@ pip3 install cntext --upgrade
 ## 环境问题
 需要注意， **cntext2.x使用环境为Python3.9 ~ 3.12**,如安装失败，问题可能出在python版本问题； 
 
+<br>
+
+如cntext安装成功，但是导入失败，可先将scipy、numpy、gensim降到指定版本，看能否解决问题。
+
+```
+pip install scipy==1.12.0
+pip install numpy==1.26.4
+pip install gensim==4.3.3
+```
+
 

docs/install.md

@@ -18,6 +18,7 @@ cntext 是专为**社会科学实证研究者**设计的中文文本分析 Pytho
    - 两行代码训练领域专用词向量（Word2Vec/GloVe）：``ct.Word2Vec()``
    - 构建概念语义轴（如“创新 vs 守旧”）：``ct.generate_concept_axis()``
    - 通过语义投影量化刻板印象、组织文化偏移：``ct.project_text()``
+   - 计算文本对应的词嵌入投影得分WEPA：``ct.wepa()``
 4. **融合大模型进行结构化分析**
    - 调用 LLM 对文本进行语义解析，返回结构化结果（如情绪维度、意图分类）：``ct.llm()``
 
@@ -61,7 +62,6 @@ cntext2.x 含io、model、stats、mind五个模块
 | ***model*** | ***ct.glove2word2vec(glove_file, word2vec_file)***                 | 将GLoVe模型.txt文件转化为Word2Vec模型.txt文件； 一般很少用到    |
 | ***model*** | ***ct.evaluate_similarity(wv, file=None)***                | 使用近义法评估模型表现，默认使用内置的数据进行评估。|
 | ***model*** | ***ct.evaluate_analogy(wv, file=None)***                | 使用类比法评估模型表现，默认使用内置的数据进行评估。|
-| ***model*** |  ***project_word(wv, a, b, weight=None)***    |  在向量空间中， 计算词语a在词语b上的投影。|
 | ***model*** | ***ct.load_w2v(wv_path)***                 | 读取cntext2.x训练出的Word2Vec/GloVe模型文件       |
 | ***model*** | ***ct.expand_dictionary(wv,  seeddict, topn=100)***            | 扩展词典,  结果保存到路径[output/Word2Vec]中 |
 | ***model*** | ***ct.SoPmi(corpus_file, seed_file, lang='chinese')***         | 共现法扩展词典                                   |
@@ -85,6 +85,7 @@ cntext2.x 含io、model、stats、mind五个模块
 | ***mind***  | ***ct.sematic_projection(wv, words, c_words1, c_words2)*** | 测量语义投影                                               |
 | ***mind***  | ***ct.project_word(wv, a, b)*** | 测量词语a在词语b上的投影语                                              |
 | **mind**  | ***ct.project_text(wv, text, axis, lang='chinese', cosine=False)***   | 计算词语文本text在概念轴向量axis上的投影值|
+| ***mind***  | ***ct.wepa(wv, text, poswords, negwords, lang='chinese')***  | 计算文本在概念轴上的投影得分，返回wepa得分|
 | ***mind***  | ***ct.sematic_distance(wv, words, c_words1, c_words2)*** | 测量语义距离                                               |
 | ***mind***  | ***ct.divergent_association_task(wv, words)***       | 测量发散思维(创造力)                                       |
 | ***mind***  | ***ct.discursive_diversity_score(wv, words)***       | 测量语言差异性(认知差异性)                                       |

docs/intro.md

@@ -14,6 +14,8 @@
 | **_mind_** | `ct.sematic_projection(wv, words, poswords, negwords)` | 测量语义投影 |
 | **_mind_** | `ct.project_word(wv, a, b, cosine=False)` | 在向量空间中， 计算词语 a 在词语 b 上的投影。 |
 | **mind**  | `ct.project_text(wv, text, axis, lang='chinese', cosine=False)`  | 计算词语文本text在概念轴向量axis上的投影值|
+值|
+| **mind**  | `ct.wepa(wv, text, poswords, negwords, lang='chinese')`                                                                    | 计算文本在概念轴上的投影得分，返回wepa得分|
 | **_mind_** | `ct.sematic_distance(wv, words, c_words1, c_words2)` | 测量语义距离 |
 | **_mind_** | `ct.divergent_association_task(wv, words)` | 测量发散思维(创造力) |
 | **_mind_** | `ct.discursive_diversity_score(wv, words)` | 测量语言差异性(认知差异性) |