【python gensim使用】word2vec词向量处理英文语料

word2vec介绍

word2vec官网：https://code.google.com/p/word2vec/

• word2vec是google的一个开源工具，能够根据输入的词的集合计算出词与词之间的距离。
• 它将term转换成向量形式，可以把对文本内容的处理简化为向量空间中的向量运算，计算出向量空间上的相似度，来表示文本语义上的相似度。
• word2vec计算的是余弦值，距离范围为0-1之间，值越大代表两个词关联度越高。
• 词向量：用Distributed Representation表示词，通常也被称为“Word Representation”或“Word Embedding（嵌入）”。

简言之：词向量表示法让相关或者相似的词，在距离上更接近。

具体使用

收集语料

本文：
网上的英文语料：http://mattmahoney.net/dc/text8.zip
语料训练信息：training on 85026035 raw words (62529137 effective words) took 197.4s, 316692 effective words/s

该语料编码格式UTF-8，存储为一行，长度很长……如下：

注意：
理论上语料越大越好
理论上语料越大越好
理论上语料越大越好
重要的事情说三遍。
因为太小的语料跑出来的结果并没有太大意义。

word2vec使用

python，利用gensim模块。
win7系统下在通常的python基础上gensim模块不太好安装，所以建议使用anaconda，具体参见：python开发之anaconda【以及win7下安装gensim