word2vec训练中文词向量输入bilstm的代码

以下是一个简单的示例代码，演示如何使用word2vec训练中文词向量并输入到bilstm中进行情感分析：

import jieba
import numpy as np
from gensim.models import Word2Vec
from keras.layers import Bidirectional, LSTM, Dense
from keras.models import Sequential

# 加载数据
with open('data.txt', 'r', encoding='utf-8') as f:
    data = f.read()

# 分词
data = list(jieba.cut(data))

# 训练word2vec模型
model = Word2Vec(data, size=100, window=5, min_count=1, workers=4)

# 构建词向量矩阵
embedding_matrix = np.zeros((len(model.wv.vocab), 100))
for i in range(len(model.wv.vocab)):
    embedding_vector = model.wv[model.wv.index2word[i]]
    if embedding_vector is not None:
        embedding_matrix[i] = embedding_vector

# 构建训练集和测试集
X = []
y = []
for i in range(len(data) - 10):
    X.append([model.wv[word] for word in data[i:i+10]])
    y.append(int(data[i+10]))

X_train = np.array(X[:int(len(X)*0.8)])
X_test = np.array(X[int(len(X)*0.8):])
y_train = np.array(y[:int(len(y)*0.8)])
y_test = np.array(y[int(len(y)*0.8):])

# 构建模型
model = Sequential()
model.add(Bidirectional(LSTM(64), input_shape=(10, 100)))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

# 训练模型
model.fit(X_train, y_train, validation_data=(X_test, y_test), epochs=10, batch_size=64)

# 评估模型
scores = model.evaluate(X_test, y_test, verbose=0)
print("Accuracy: %.2f%%" % (scores[1]*100))

这个示例代码使用jieba库进行分词，利用Word2Vec训练中文词向量，并将词向量构建成一个词向量矩阵。之后，将文本数据转化为输入数据和标签，输入数据为10个单词的词向量序列，标签为下一个单词的情感极性（0表示负面情感，1表示正面情感）。最后，使用Keras构建一个包含一个双向LSTM层和一个全连接层的模型，并使用训练数据进行模型训练。