code:https://github.com/hziwei/TensorFlow-/blob/master/python gensim使用word2vec.ipynb
下載gensim庫
pip install gensim -i https://pypi.douban.com/simple
讀取訓練數據並使用jieba分詞,可以准備自己想要訓練的語料,
import os
import jieba
# 讀取訓練數據
pos_file_list = os.listdir('data/pos')
neg_file_list = os.listdir('data/neg')
pos_file_list = [f'data/pos/{x}' for x in pos_file_list]
neg_file_list = [f'data/neg/{x}' for x in neg_file_list]
pos_neg_file_list = pos_file_list + neg_file_list
# 分詞
for file in pos_neg_file_list:
with open(file, 'r', encoding='utf-8') as f:
text = f.read().strip() # 去讀文件，並去除空格
text_cut = jieba.cut(text) # 使用jieba進行分詞
result = ' '.join(text_cut) # 把分詞結果用空格組成字符串
with open('test.txt', 'a', encoding='utf-8') as fw:
fw.write(result) # 把分好的詞寫入到新的文件里面
pass
pass
pass
准備好分詞后的文件，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文，而上下文有可能就是停用詞。因此對於word2vec，我們可以不用去停用詞
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
讀取分好的詞，進行訓練
from gensim.models import word2vec
sentences = word2vec.LineSentence('test.txt')
model = word2vec.Word2Vec(sentences, hs=1, min_count=1, window=3, size=100)
保存模型
model.save('model') # 保存模型
model = word2vec.Word2Vec.load('model') # 加載模型
用途
- 找出某一個詞向量最相近的詞集合
for val in model.wv.similar_by_word("酒店", topn=10):
print(val[0], val[1])
pass
- 查看兩個詞的相近程度
print(model.wv.similarity('酒店', '賓館'))
- 找出不同類的詞
word_list = ['賓館', '酒店', '飯店', '服務']
print(model.wv.doesnt_match(word_list))
參數解釋：
- 用gensim函數庫訓練Word2Vec模型有很多配置參數
gensim.models.word2vec.Word2Vec(sentences=None,size=100,alpha=0.025,window=5,min_count=5, max_vocab_size=None,sample=0.001,seed=1,workers=3,min_alpha=0.0001,sg=0,hs=0,negative=5, cbow_mean=1,hashfxn=
,iter=5,null_word=0,trim_rule=None, sorted_vocab=1,batch_words=10000)
- 參數:
sentences：可以是一個list，對於大語料集，建議使用BrownCorpus,Text8Corpus或LineSentence構建。
sg： 用於設置訓練算法，默認為0，對應CBOW算法；sg=1則采用skip-gram算法。
size：是指特征向量的維度，默認為100。大的size需要更多的訓練數據,但是效果會更好. 推薦值為幾十到幾百。
window：表示當前詞與預測詞在一個句子中的最大距離是多少
alpha: 是學習速率
seed：用於隨機數發生器。與初始化詞向量有關。
min_count: 可以對字典做截斷. 詞頻少於min_count次數的單詞會被丟棄掉, 默認值為5
max_vocab_size: 設置詞向量構建期間的RAM限制。如果所有獨立單詞個數超過這個，則就消除掉其中最不頻繁的一個。每一千萬個單詞需要大約1GB的RAM。設置成None則沒有限制。
sample: 高頻詞匯的隨機降采樣的配置閾值，默認為1e-3，范圍是(0,1e-5)
workers參數控制訓練的並行數。
hs: 如果為1則會采用hierarchical softmax技巧。如果設置為0（defaut），則negative sampling會被使用。
negative: 如果>0,則會采用negativesamping，用於設置多少個noise words
cbow_mean: 如果為0，則采用上下文詞向量的和，如果為1（defaut）則采用均值。只有使用CBOW的時候才起作用。
hashfxn： hash函數來初始化權重。默認使用python的hash函數
iter： 迭代次數，默認為5
trim_rule： 用於設置詞匯表的整理規則，指定那些單詞要留下，哪些要被刪除。可以設置為None（min_count會被使用）或者一個接受()並返回RU·E_DISCARD,uti·s.RU·E_KEEP或者uti·s.RU·E_DEFAU·T的函數。
sorted_vocab： 如果為1（defaut），則在分配word index 的時候會先對單詞基於頻率降序排序。
batch_words：每一批的傳遞給線程的單詞的數量，默認為10000