在在python下实现下实现word2vec词向量训练与加载实例词向量训练与加载实例
项目中要对短文本进行相似度估计，word2vec是一个很火的工具。本文就word2vec的训练以及加载进行了总结。
word2vec的原理就不描述了，word2vec词向量工具是由google开发的，输入为文本文档，输出为基于这个文本文档的语料库
训练得到的词向量模型。
通过该模型可以对单词的相似度进行量化分析。
word2vec的训练方法有2种，一种是通过word2vec的官方手段，在linux环境下编译并执行。
在github上下载word2vec的安装包，然后make编译。查看demo-word.sh脚本，得到word2vec的执行命令：
./word2vec -train text8 -output vectors.bin -cbow 1 -size 200 -window 8 -negative 25 -hs 0 -sample 1e-4 -threads
20 -binary 1 -iter 15
参数解释：参数解释：
1）-train：需要训练的语料库，text8为语料库文件名
2）-output：输出的词向量文件，vectors.bin为输出词向量文件名，.bin后缀为二进制文件。若要以文档的形式查看词向量文
件，需要将-binary参数的值由1改为0
3）-cbow：是否使用cbow模型进行训练。参数为1表示使用cbow，为0表示不使用cbow
4）-size：词向量的维数，默认为200维。
5）-window：训练过程中截取上下文的窗口大小，默认为8，即考虑一个词前8个和后8个词
6）-negative：若参数非0，表明采样随机负采样的方法，负样本子集的规模默认为25。若参数值为0,表示不使用随机负采样
模型。使用随机负采样比Hierarchical Softmax模型效率更高。
7）-hs：是否采用基于Hierarchical Softmax的模型。参数为1表示使用，0表示不使用
8）-sample：语料库中的词频阈值参数，词频大于该阈值的词，越容易被采样。默认为e^-4.
9）-threads：开启的线程数目，默认为20.
10）-binary：词向量文件的输出形式。1表示输出二进制文件，0表示输出文本文件
11）-iter：训练的迭代次数。一定范围内，次数越高，训练得到的参数会更准确。默认值为15次.
./word2vec -train mytext.txt -output vectors.txt -cbow 1 -size 200 -window 5 -negative 25 -hs 0 -sample 1e-4 -
threads 20 -binary 0 -iter 30
示例为训练一个名mytext.txt的文档。设置输出词向量的格式为.txt文本文档，所以还需要将-binary参数设置为0.
训练模型采用基于随机负采样的cbow模型。由于短文本字数极为有限，所以-window参数设置为5，设置词向量的维数
为200，为了使得到的参数更准确，将迭代次数增加至30.其他参数使用默认值。
训练以后得到一个txt文本，该文本的内容为：每行一个单词，单词后面是对应的词向量。
gensim加载词向量：加载词向量：
保存词向量模型到pkl中（注意：这里是对词向量模型进行构建）
from gensim.models import KeyedVectors
if not os.path.exists(pkl_path): # 如果pickle模型不存在，则构建一个
print '词向量模型不存在，开始构建词向量模型...'
Word2Vec = KeyedVectors.load_word2vec_format(vecs_path, binary=False) # 加载词向量模型
f = file(pkl_path, 'wb')
pickle.dump(Word2Vec, f, True)
f.close()
print '词向量模型构建完毕...'
f= file(pkl_path, 'rb')# 打开pkl文件
word2vec=pickle.load(f)# 载入pkl
第二种方法是使用gensim模块训练词向量：
评论0