word2vec-google code

最新推荐文章于 2021-12-21 15:18:57 发布

thinker_1120

最新推荐文章于 2021-12-21 15:18:57 发布

阅读量1.4k

点赞数

分类专栏：自然语言处理文章标签： word2vec

本文链接：https://blog.csdn.net/cymy001/article/details/101024086

版权

自然语言处理专栏收录该内容

9 篇文章 0 订阅

订阅专栏

Google code word2vec toolkit

tooklit project introduction

刚下载的工具包包含以下文件，还需要在trunk目录执行make编译
在这里插入图片描述
各文件用途
word2vec.c——训练cbow/skig-gram模型
distance.c——把词看成向量空间上的一个点，计算向量空间上点与点的距离
word-analogy.c——类比任务(vector(“法国”) - vector("巴黎) + vector(“英国”) --> vector(“伦敦”))
word2phrase.c——短语发现(比如New York这个短语，如果我们把它当做两个单词分开处理显然不合适)
compute-accuracy.c——定量的给出词向量在数据集上的类比word/phrase准确率
————————————————————————————————————————
demo-word.sh——训练词向量[word2vec、distance]
demo-analogy.sh——发现类比词[word2vec、word-analogy]
demo-classes.sh——kmeans词聚类[word2vec](输出词词类别id)
demo-phrases.sh——发现短语词[word2phrase、word2vec、distance]
demo-word-accuracy.sh——计算word的类比词准确率[word2phrase、word2vec、compute-accuracy]
demo-phrase-accuracy.sh——计算phrase的类比词准确率[word2vec、compute-accuracy]

代码及数据集下载

google-code word2vec
text8数据集

训练

(1)先看看训练数据text8

在这里插入图片描述一段英文文本~ 汉语语料，肯定是要先分词了~

(2)word2vec训练词向量

time ./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
./distance vectors.bin

在这里插入图片描述

(3)发现关系类比词

time ./word2vec -train text8 -output vectors.bin -cbow 1 -size 200 -window 8 -negative 25 -hs 0 -sample 1e-4 -t    hreads 20 -binary 1 -iter 15
./word-analogy vectors.bin

在这里插入图片描述

(4)词聚类

time ./word2vec -train text8 -output classes.txt -cbow 1 -size 200 -window 8 -negative 25 -hs 0 -sample 1e-4 -t    hreads 20 -iter 15 -classes 500
sort classes.txt -k 2 -n > classes.sorted.txt

cat classes.sorted.txt | grep '135\|231\|444' | shuf | less

在这里插入图片描述 word 词类别id

(5)发现短语词

sed -e "s/’/'/g" -e "s/′/'/g" -e "s/''/ /g" < news.2012.en.shuffled | tr -c "A-Za-z'_ \n" " " > news.2012.en.sh    uffled-norm0
time ./word2phrase -train news.2012.en.shuffled-norm0 -output news.2012.en.shuffled-norm0-phrase0 -threshold 20    0 -debug 2
time ./word2phrase -train news.2012.en.shuffled-norm0-phrase0 -output news.2012.en.shuffled-norm0-phrase1 -thre    shold 100 -debug 2
tr A-Z a-z < news.2012.en.shuffled-norm0-phrase1 > news.2012.en.shuffled-norm1-phrase1
time ./word2vec -train news.2012.en.shuffled-norm1-phrase1 -output vectors-phrase.bin -cbow 1 -size 200 -window     10 -negative 25 -hs 0 -sample 1e-5 -threads 20 -binary 1 -iter 15
./distance vectors-phrase.bin

在这里插入图片描述