实验二：使用Word2Vec构建词向量 1.导入库2.输入示例文本3.分词处理4.训练Word2Vec模型5.获取词向量 根据这个实验步骤写一份实现代码

在Python中，我们可以使用`gensim`库来实现Word2Vec模型。以下是实验二的一个简要实现代码：

# 1. 导入所需库
from gensim.models import Word2Vec
import jieba
import numpy as np

# 2. 输入示例文本
text = "这是一段示例文本，包含一些词语。我们会使用Word2Vec将其转换为词向量。"

# 3. 分词处理
sentences = [jieba.lcut(text)]  # 使用jieba进行中文分词

# 4. 训练Word2Vec模型
model = Word2Vec(sentences, size=100, window=5, min_count=1, workers=4)  # 设置词向量维度、窗口大小等参数

# 5. 获取词向量
word_vectors = model.wv  # Word2Vec实例的wv属性可以访问所有的词向量
word_vector_example = word_vectors['示例']  # 通过单词获取其对应的词向量

在这个例子中，我们首先导入了必要的库，然后对给定的文本进行分词。接着，利用`Word2Vec`函数创建并训练模型。最后，通过模型的`wv`属性获取每个词汇的词向量。如果你需要获取特定单词的向量，只需传入那个单词即可。

相关问题

实验三：使用Doc2Vec模型构建文档向量并计算向量间的相似度。 1.导入库2.输入示例文本3.分词处理并标记4.训练Doc2Vec模型5.定义自定义相似度函数6.获取文档向量并计算相似度 根据这份实验要求写一份python代码实现

实验三的Python代码实现大致可以按照以下步骤进行：

# Step 1: 导入必要的库
from gensim.models.doc2vec import Doc2Vec, TaggedDocument
import nltk
import numpy as np

# Step 2: 输入示例文本
texts = [
    "这是一段示例文本1，用于训练Doc2Vec模型。",
    "这是另一段示例文本2，也是训练的一部分。",
    # 更多文档...
]

# Step 3: 分词处理并标记
nltk.download('punkt')  # 如果未安装nltk，首次运行会下载这个包
tokenized_texts = [nltk.word_tokenize(text) for text in texts]
tagged_texts = [TaggedDocument(words=doc, tags=[str(i)]) for i, doc in enumerate(tokenized_texts)]

# Step 4: 训练Doc2Vec模型
model = Doc2Vec(tagged_texts, vector_size=100, window=5, min_count=1, workers=4)

# Step 5: 定义自定义相似度函数 (这里我们简单地取余弦相似度)
def custom_similarity(vec1, vec2):
    return np.dot(vec1, vec2) / (np.linalg.norm(vec1) * np.linalg.norm(vec2))

# Step 6: 获取文档向量并计算相似度
similarity_scores = []
for i, doc_vec in enumerate(model.docvecs):
    similarity_scores.append(custom_similarity(doc_vec, model.docvecs[i + 1]))  # 对比自身是为了避免除数为零错误

# 结果展示
print("文档相似度得分:", similarity_scores)

#