用python实现以下功能：利用基于中文语料训练好的word2vec模型，再加上自己准备的一部分训练数据来训练模型，最后输入待预测的中文语句，输出相似度

好的，这个问题可以分为三个步骤来实现：

1. 加载预训练好的word2vec模型和自己准备的训练数据
2. 利用加载的模型和数据训练新的模型
3. 输入待预测的中文语句，输出相似度

下面是具体实现的代码：

from gensim.models import Word2Vec
import jieba

# 加载预训练好的word2vec模型和自己准备的训练数据
pretrained_model_path = "path/to/pretrained/model"
pretrained_model = Word2Vec.load(pretrained_model_path)
training_data_path = "path/to/training/data"
with open(training_data_path, "r", encoding="utf-8") as f:
    training_data = [jieba.lcut(line.strip()) for line in f]

# 训练新的模型
model = Word2Vec(size=300, min_count=1)
model.build_vocab(training_data)
model.build_vocab([list(pretrained_model.wv.vocab.keys())], update=True)
model.intersect_word2vec_format(pretrained_model_path, binary=True, lockf=1.0)
model.train(training_data, total_examples=model.corpus_count, epochs=100)

# 输入待预测的中文语句，输出相似度
sentence = "我喜欢看电影"
tokens = jieba.lcut(sentence)
similarity = model.wv.n_similarity(tokens, ["电影", "喜欢"])
print(similarity)

这段代码中，我们首先用`Word2Vec.load()`方法加载预训练好的模型，然后读取自己准备的训练数据。接着，我们用`build_vocab()`方法构建新的模型的词汇表，然后用`intersect_word2vec_format()`方法将预训练好的模型中的词向量拷贝到新的模型中。最后，用`train()`方法训练新的模型。对于待预测的中文语句，我们首先用jieba分词，然后用`wv.n_similarity()`方法计算其与指定词汇列表的相似度。