如何对样本中的文本特征使用word2vec并加载预训练词向量

可以使用Python中的gensim库对样本中的文本特征使用word2vec。首先需要将文本分词，并将每个词转换为词向量表示。使用gensim库中的Word2Vec类可以很方便地实现这个过程。在加载预训练词向量时，可以使用gensim库中的KeyedVectors类加载已经训练好的词向量模型，例如使用预训练的Google News词向量：

from gensim.models import Word2Vec
from gensim.models.keyedvectors import KeyedVectors

# 加载预训练词向量
wv_model = KeyedVectors.load_word2vec_format('GoogleNews-vectors-negative300.bin', binary=True)

# 对样本中的文本特征使用Word2Vec
sentences = [['this', 'is', 'a', 'sample', 'sentence'], ['this', 'is', 'another', 'sentence']]
model = Word2Vec(sentences, size=300, window=5, min_count=1, workers=4)

# 加载预训练词向量
model.wv.load_word2vec_format('GoogleNews-vectors-negative300.bin', binary=True)

其中，参数size表示生成的词向量的长度，window表示窗口大小，min_count表示词频阈值，workers表示并发数。在训练完成后，可以使用model.wv.vocab查看训练好的词表，使用model.wv['word']获取某个词的词向量表示。