ip install gensim安裝好庫后，即可導入使用：
1、訓練模型定義
from gensim.models import Word2Vec model = Word2Vec(sentences, sg=1, size=100, window=5, min_count=5, negative=3, sample=0.001, hs=1, workers=4)
參數解釋：
0.sentences是訓練所需語料，可通過以下方式進行加載
sentences=word2vec.Text8Corpus(file)
此處訓練集的格式為英文文本或分好詞的中文文本
1.sg=1是skip-gram算法，對低頻詞敏感；默認sg=0為CBOW算法。
2.size是輸出詞向量的維數，值太小會導致詞映射因為沖突而影響結果，值太大則會耗內存並使算法計算變慢，一般值取為100到200之間。
3.window是句子中當前詞與目標詞之間的最大距離，3表示在目標詞前看3-b個詞，后面看b個詞（b在0-3之間隨機）。
4.min_count是對詞進行過濾，頻率小於min-count的單詞則會被忽視，默認值為5。
5.negative和sample可根據訓練結果進行微調，sample表示更高頻率的詞被隨機下采樣到所設置的閾值，默認值為1e-3。
6.hs=1表示層級softmax將會被使用，默認hs=0且negative不為0，則負采樣將會被選擇使用。
7.workers控制訓練的並行，此參數只有在安裝了Cpython后才有效，否則只能使用單核。
詳細參數說明可查看word2vec源代碼。
2、訓練后的模型保存與加載
model.save(fname) model = Word2Vec.load(fname)
3、模型使用
model.most_similar(positive=['woman', 'king'], negative=['man'])
#輸出[('queen', 0.50882536), ...]
model.doesnt_match("breakfast cereal dinner lunch".split())
#輸出'cereal'
model.similarity('woman', 'man')
#輸出0.73723527
model['computer'] # raw numpy vector of a word
#輸出array([-0.00449447, -0.00310097, 0.02421786, ...], dtype=float32)
gensim word2vec實戰
我選擇的《人民的名義》的小說原文作為語料，語料原文在這里。
完整代碼參見 github: https://github.com/ljpzzz/machinelearning/blob/master/natural-language-processing/word2vec.ipynb
拿到了原文，我們首先要進行分詞，這里使用結巴分詞完成。在中文文本挖掘預處理流程總結中，我們已經對分詞的原理和實踐做了總結。
加入下面的一串人名是為了結巴分詞能更准確的把人名分出來。
# -*- coding: utf-8 -*-
import jieba
import jieba.analyse
jieba.suggest_freq('沙瑞金', True)
jieba.suggest_freq('田國富', True)
jieba.suggest_freq('高育良', True)
jieba.suggest_freq('侯亮平', True)
jieba.suggest_freq('鍾小艾', True)
jieba.suggest_freq('陳岩石', True)
jieba.suggest_freq('歐陽菁', True)
jieba.suggest_freq('易學習', True)
jieba.suggest_freq('王大路', True)
jieba.suggest_freq('蔡成功', True)
jieba.suggest_freq('孫連城', True)
jieba.suggest_freq('季昌明', True)
jieba.suggest_freq('丁義珍', True)
jieba.suggest_freq('鄭西坡', True)
jieba.suggest_freq('趙東來', True)
jieba.suggest_freq('高小琴', True)
jieba.suggest_freq('趙瑞龍', True)
jieba.suggest_freq('林華華', True)
jieba.suggest_freq('陸亦可', True)
jieba.suggest_freq('劉新建', True)
jieba.suggest_freq('劉慶祝', True)
with open('./in_the_name_of_people.txt') as f:
document = f.read()
#document_decode = document.decode('GBK')
document_cut = jieba.cut(document)
#print ' '.join(jieba_cut) //如果打印結果，則分詞效果消失，后面的result無法顯示
result = ' '.join(document_cut)
result = result.encode('utf-8')
with open('./in_the_name_of_people_segment.txt', 'w') as f2:
f2.write(result)
f.close()
f2.close()
拿到了分詞后的文件，在一般的NLP處理中，會需要去停用詞。由於word2vec的算法依賴於上下文，而上下文有可能就是停詞。因此對於word2vec，我們可以不用去停詞。
現在我們可以直接讀分詞后的文件到內存。這里使用了word2vec提供的LineSentence類來讀文件，然后套用word2vec的模型。
這里只是一個示例，因此省去了調參的步驟，實際使用的時候，你可能需要對我們上面提到一些參數進行調參。
# import modules & set up logging
import logging
import os
from gensim.models import word2vec
logging.basicConfig(format='%(asctime)s : %(levelname)s : %(message)s', level=logging.INFO)
sentences = word2vec.LineSentence('./in_the_name_of_people_segment.txt')
model = word2vec.Word2Vec(sentences, hs=1,min_count=1,window=3,size=100)
模型出來了，我們可以用來做什么呢？這里給出三個常用的應用。
第一個是最常用的，找出某一個詞向量最相近的詞集合，代碼如下：
req_count = 5
for key in model.wv.similar_by_word('沙瑞金'.decode('utf-8'), topn =100):
if len(key[0])==3:
req_count -= 1
print key[0], key[1]
if req_count == 0:
break;
我們看看沙書記最相近的一些3個字的詞（主要是人名）如下：
第二個應用是看兩個詞向量的相近程度，這里給出了書中兩組人的相似程度：
print model.wv.similarity('沙瑞金'.decode('utf-8'), '高育良'.decode('utf-8'))
print model.wv.similarity('李達康'.decode('utf-8'), '王大路'.decode('utf-8'))
輸出如下：
第三個應用是找出不同類的詞，這里給出了人物分類題：
print model.wv.doesnt_match(u"沙瑞金 高育良 李達康 劉慶祝".split())
word2vec也完成的很好，輸出為"劉慶祝"。
gensim word2vec ：https://www.cnblogs.com/pinard/p/7278324.html
word2vec原理：http://www.cnblogs.com/pinard/p/7160330.html
原文：https://blog.csdn.net/angus_monroe/article/details/76999920