利用gensim实现word2vec

首先，需要安装gensim库。可以使用pip命令进行安装：

pip install gensim

然后，我们需要准备一个语料库（corpus）作为训练数据。语料库可以是一个文本文件，每一行是一个句子，或者是一个已经分好词的列表。

下面是一个使用gensim实现word2vec的示例代码：

from gensim.models import Word2Vec

# 读取语料库
sentences = []
with open('corpus.txt', 'r', encoding='utf-8') as f:
    for line in f:
        words = line.strip().split()
        sentences.append(words)

# 定义模型
model = Word2Vec(sentences, size=100, window=5, min_count=5, workers=4, sg=0)

# 保存模型
model.save('word2vec.model')

# 加载模型
model = Word2Vec.load('word2vec.model')

# 使用模型计算相似度
similarity = model.wv.similarity('word1', 'word2')
print('Similarity between word1 and word2:', similarity)

# 找出与指定词语最相似的词语
most_similar = model.wv.most_similar('word')
print('Most similar words:', most_similar)

在这段代码中，我们首先读取语料库，然后使用Word2Vec类定义模型。其中，size表示词向量的维度，window表示词向量上下文的窗口大小，min_count表示出现次数小于min_count的词语将被忽略，workers表示训练时使用的线程数，sg表示使用的模型类型，sg=0表示使用CBOW模型，sg=1表示使用Skip-gram模型。

然后，我们可以使用save方法保存模型，使用load方法加载模型。最后，使用wv.similarity方法计算两个词语之间的相似度，使用wv.most_similar方法找出与指定词语最相似的词语。