gensim的Wordvec

在阅读代码时对于gensim中的word2vec函数不是很了解，特此记录一些参数，以备不时之需

class gensim.models.word2vec.Word2Vec(
            sentences=None, 
            size=100, 
            alpha=0.025, 
            window=5, 
            min_count=5, 
            max_vocab_size=None, 
            sample=0.001, 
            seed=1, 
            workers=3, 
            min_alpha=0.0001, 
            sg=0, 
            hs=0, 
            negative=5, 
            cbow_mean=1, 
            hashfxn=<built-in function hash>, 
            iter=5, 
            null_word=0, 
            trim_rule=None, 
            sorted_vocab=1, 
            batch_words=10000, 
            compute_loss=False)

• sentences: word2vec 模型的输入是经过分词的句子列表,可以是一个 list，对于大型的预料集，建议使用 BrownCorpus，Text8Corpus，LineSentence 来进行构建 
• size:词向量的维度，词向量的维度，默认值是100。这个维度的取值一般与我们的语料的大小相关，如果是不大的语料，比如小于100M的文本语料，则使用默认值一般就可以了。如果是超大的语料，建议增大维度
• alpha:模型的初始学习率
• windows：词向量上下文最大距离，这个参数在我们的算法原理篇中标记为cc，window越大，则和某一词较远的词也会产生上下文关系。默认值为5。在实际使用中，可以根据实际的需求来动态调整这个window的大小。如果是小语料则这个值可以设的更小。对于一般的语料这个值推荐在[5,10]之间
• min_count：用于过滤操作，词频少于 min_count 次数的单词会被丢弃掉，默认值为 5
•  max_vocab_size:设置词向量构建期间的 RAM 限制。如果所有的独立单词数超过这个限定词，那么就删除掉其中词频最低的那个。根据统计，每一千万个单词大概需要 1GB 的RAM。如果我们把该值设置为 None ，则没有限制
• simple： 高频词汇的随机降采样的配置阈值，默认为 1e-3，范围是 (0, 1e-5)。
• max_vocab_size:高频词汇的随机降采样的配置阈值，默认为 1e-3，范围是 (0, 1e-5)。
• seed:用于随机数发生器。与词向量的初始化有关。
• workers: 控制训练的并行数量
• min_alpha:随着训练进行，alpha 线性下降到 min_alpha。
• sg:如果是0， 则是CBOW模型，是1则是Skip-Gram模型，默认是0即CBOW模型
• negative:如果这个值大于 0，那么 negative samping 会被使用。该值表示 “noise words” 的数量，一般这个值是 5 - 20，默认是 5。如果这个值设置为 0，那么 negative samping 没有使用
• cbow_mean： 如果这个值设置为 0，那么就采用上下文词向量的总和。如果这个值设置为 1 （默认情况下），那么我们就采用均值。但这个值只有在使用 CBOW 的时候才起作用
• hashfxn：hash函数用来初始化权重，默认情况下使用 Python 自带的 hash 函数。
• iter：算法迭代次数，默认为 5。
• trim_rule：用于设置词汇表的整理规则，用来指定哪些词需要被剔除，哪些词需要保留。默认情况下，如果 word count < min_count，那么该词被剔除。这个参数也可以被设置为 None，这种情况下 min_count 会被使用
• sorted_vocab： 如果这个值设置为 1（默认情况下），则在分配 word index 的时候会先对单词基于频率降序排序。
• batch_words：每次批处理给线程传递的单词的数量，默认是 10000