训练Word2vec词向量模型代码

训练Word2Vec词向量模型通常使用Python语言中的Gensim库。以下是一个简单的示例，展示如何使用Gensim训练Word2Vec模型：

from gensim.models import Word2Vec
import gensim.downloader as api

# 下载或者加载预训练的Google News词汇模型
model = api.load('word2vec-google-news-300')

# 如果你想自建数据集训练，首先准备文本数据
# text_data = ... # 例如从文件、网络爬虫获取的文本列表

# 定义训练参数
sentences = [text_data]  # 使用list of sentences作为输入
vector_size = 300  # 词向量维度，这里是300维
window_size = 5  # 指定单词窗口大小
min_count = 1  # 忽略词频低于该值的单词
epochs = 10  # 迭代次数

# 训练模型
model = Word2Vec(sentences, vector_size=vector_size, window=window_size, min_count=min_count, workers=4)  # workers表示并行处理的数量

# 训练完成后，你可以通过.wv属性访问词向量矩阵
for word in ['apple', 'banana', 'orange']:
    print(model.wv[word])

注意，这只是一个基础示例，实际应用中可能需要对数据进行预处理，如分词、去除停用词等，并调整参数以达到最佳效果。