一、分词
# -*- coding: utf-8 -*- import jieba import io # 加载自己的自己的词库 jieba.load_userdict("Words.txt") def main(): with io.open('news201708.txt','r',encoding='utf-8') as content: for line in content: seg_list = jieba.cut(line) # print ('/'.join(seg_list)) with io.open('seg201708.txt', 'a', encoding='utf-8') as output: output.write(' '.join(seg_list)) if __name__ == '__main__': main()二、训练word2vec模型 使用python的gensim包进行训练
from gensim.models import word2vec def main(): num_features = 300 # Word vector dimensionality min_word_count = 10 # Minimum word count num_workers = 16 # Number of threads to run in parallel context = 10 # Context window size downsampling = 1e-3 # Downsample setting for frequent words sentences = word2vec.Text8Corpus("seg201708.txt") model = word2vec.Word2Vec(sentences, workers=num_workers, \ size=num_features, min_count = min_word_count, \ window = context, sg = 1, sample = downsampling) model.init_sims(replace=True) # 保存模型，供日後使用 model.save("model201708") # 可以在加载模型之后使用另外的句子来进一步训练模型 # model = gensim.models.Word2Vec.load('/tmp/mymodel') # model.train(more_sentences) if __name__ == "__main__": main() 参数说明 sentences：可以是一个list，对于大语料集，建议使用BrownCorpus,Text8Corpus或ineSentence构建。sg： 用于设置训练算法，默认为0，对应CBOW算法；sg=1则采用skip-gram算法。size：是指特征向量的维度，默认为100。大的size需要更多的训练数据,但是效果会更好. 推荐值为几十到几百。window：表示当前词与预测词在一个句子中的最大距离是多少alpha: 是学习速率seed：用于随机数发生器。与初始化词向量有关。min_count: 可以对字典做截断. 词频少于min_count次数的单词会被丢弃掉, 默认值为5max_vocab_size: 设置词向量构建期间的RAM限制。如果所有独立单词个数超过这个，则就消除掉其中最不频繁的一个。每一千万个单词需要大约1GB的RAM。设置成None则没有限制。sample: 高频词汇的随机降采样的配置阈值，默认为1e-3，范围是(0,1e-5) workers参数控制训练的并行数。hs: 如果为1则会采用hierarchica·softmax技巧。如果设置为0（defau·t），则negative sampling会被使用。negative: 如果>0,则会采用negativesamp·ing，用于设置多少个noise wordscbow_mean: 如果为0，则采用上下文词向量的和，如果为1（defau·t）则采用均值。只有使用CBOW的时候才起作用。hashfxn：hash函数来初始化权重。默认使用python的hash函数iter： 迭代次数，默认为5trim_rule：用于设置词汇表的整理规则，指定那些单词要留下，哪些要被删除。可以设置为None（min_count会被使用）或者一个接受()并返回RU·E_DISCARD,uti·s.RU·E_KEEP或者uti·s.RU·E_DEFAU·T的sorted_vocab如果为1（defau·t），则在分配word index 的时候会先对单词基于频率降序排序。batch_words：每一批的传递给线程的单词的数量，默认为10000三、word2vec应用
model = Word2Vec.load('model201708') #模型讀取方式 model.most_similar(positive=['woman', 'king'], negative=['man']) #根据给定的条件推断相似词 model.doesnt_match("breakfast cereal dinner lunch".split()) #寻找离群词 model.similarity('woman', 'man') #计算两个单词的相似度 model['computer'] #获取单词的词向量