用python写一个基于word2vec的k-means聚类算法

好的，下面是一个基于Python的word2vec和k-means聚类算法示例：

首先，需要安装gensim和sklearn两个库。

pip install gensim sklearn

接下来，载入需要用到的库和数据。

from gensim.models import word2vec
from sklearn.cluster import KMeans

# 读取语料
sentences = word2vec.Text8Corpus('text8')

# 训练模型
model = word2vec.Word2Vec(sentences, size=200, window=5, min_count=5)

# 获取词向量
X = model.wv[model.wv.vocab]

# 使用k-means聚类
kmeans = KMeans(n_clusters=10, random_state=0).fit(X)

上面的代码中，我们首先使用gensim库读取语料，然后使用word2vec模型训练获取词向量。接着，我们将词向量作为输入，使用sklearn库中的KMeans算法进行聚类。这里我们将聚成10类，可以根据实际情况进行调整。

最后，我们可以输出聚类的结果。

# 输出聚类结果
for i in range(10):
    print('Cluster %d:' % i)
    words = []
    for j in range(len(kmeans.labels_)):
        if kmeans.labels_[j] == i:
            words.append(model.wv.index2word[j])
    print(words)

上面的代码中，我们遍历每个聚类，输出其中的词语。由于词向量的维度很高，我们无法直接观察它们的分布，但我们可以通过聚类的结果，来初步了解词语之间的关系。

希望这个示例能够帮到你！