python训练Word2Vec词向量

一、模型训练

1、安装gensim

pip install gensim
gensim中封装了包括word2vec、doc2vec等模型，word2vec采用了CBOW(Continuous Bag-Of-Words,连续词袋模型)和Skip-Gram两种模型。

2、模型训练

from gensim.models import Word2Vec

model = Word2Vec(sentences,sg=1,size=100,window=5,min_count=5,negative=3,sample=0.001,hs=1,workers=4)

gensim参数解释

1、sentences 第一个参数是预处理后的训练语料库，是可迭代列表，但是对于较大的语料库，可以直接从磁盘/网络传输句子迭代。
2、sg=1是skip-gram算法，对于低频词敏感；默认sg=0为CBOW算法
3、size(int) 是输出词向量的维数默认值是100,。这个维度的取值和我们的语料库大小有关，比如小于100M的文本语料库，则使用默认值就可以。如果是超大语料库，建议增大维度。值太小会导致词映射因为冲突而导致影响结果，值太大则会耗内存并使计算变慢，一般取值为100到200之间，不过见的比较多的也有300的维度
4、window(int) 是一个句子中当前单词和预测单词之间的最大距离，window越大，则和某一较远的词也会产生上下文关系。默认值为5。window值越大所需要枚举的预测词越多，计算时间越长。
5、min_count 忽略所有频率低于此值的但单词，默认值是5.
6、workers表示训练词向量时使用的进程数，默认是但当前运行机器的处理器核数。
* 还有关于采样和学习率的，一般不常设置。
1、negative和sample可根据训练结果进行微调，sample表示更高频率的词被随机下采样到所设置的阈值，默认值是 1e-3。
2、hs=1 表示层级softmax将会被使用，默认hs=0且negative不为0，则负采样将会被使用。

from gensim.models import Word2Vec
sentences = [["cat", "say", "meow"], ["dog", "say", "woof"]]
# 数据也可以是分好词的文档，按行进项读取
# sentences = word2vec.Text8Corpus('xxx.txt')
model = Word2Vec(sentences,min_count=1

3、模型的保存

模型保存有两种方式：

model = Word2Vec(common_texts,size=100,windows=5,min_count=1,workers=4)
model.save(path)
#或者
model.wv.save(path)

3.1模型训练保存与加载（模型可继续训练）

from gensim.test.utils import common_texts,get_tmpfile
from gensim.models import Word2Vec

path = get_tmpfile("word2vec.model") # 创建临时文件
model = Word2Vec(sentences,size=100,window=5,min_count=1,workers=4)
model.save("word2vec.model")
# 加载模型
model = Word2Vec.load("word2vec.model")

模型的继续训练
训练是流式的，这意味着句子可以是一个生成器，动态的从磁盘读取数据，而无需将整个语料库加载到RAM中。这也意味着你可以在以后继续训练模型

from gensim.test.utils import commom_texts,get_tmpfile
from gensim.models import Word2Vec

path = get_tmpfile("word2vec.model")
model = Word2Vec(sentences,size=100,window=5,min_count=1,workers=4)
model.save("word2vec.model")
# 加载模型
model = Word2Vec.load("word2vec.model")

#继续训练
model.train([['hello','world']],total_examples=1,epochs=1)
#(0,2)

#调用模型
vector= model['computer']
#如果已经完成模型的训练（即不再进项更新，只进行查询），可以切换到KeyedVectors实例
word_vectors = model.wv
def model

3.2模型训练保存与加载2（模型不可继续训练）

如要继续训练，需要save()存储完整的Word2Vec对象状态，而不仅仅是Keyedvector。如果不需要继续训练模型，在加载时设置参数model.wv.save(path)以及KeyedVectots.load("model.wv",mmap='r')分离训练向量到KeyedVectots，得到更小、更快的模型对象。

from gensim.models import KeyedVectors

path = get_tmpfile("model.wv")
model = Word2Vec(common_texts,size=100,window=5,min_count=1,workers=4)
model.wv.save(apth)
wv=KeyedVectors.load("model.wv",mmap='r')
vector = wv['computer']

如果从文件加载训练好的模型（人民日报词向量）：

from gensim.models import KeyedVectors
from gensim.test.utils import datapath

model = KeyedVectors.load_word2vec_format(datapath('E:\Mypython3\wenshu_my\data_my\sgns.renmin.bigram-char'),binary=False)

for key in model.similar_by_word('人民',topn=10):
print(key)
------------------------------------------------
('各族人民', 0.6978535652160645)
('人民大众', 0.6294125318527222)
('亿万人民', 0.6256287097930908)
('群众', 0.5972658395767212)
('民众', 0.567489504814148)
('城乡人民', 0.5603191256523132)
('广大群众', 0.5412135124206543)
('新疆各族人民', 0.5377484560012817)
('百姓', 0.5321395993232727)
('劳苦大众', 0.530288577079773)

gensim官网例子，训练一个完成的模型，然后访问它的模型。wv属性，它包含独立键控向量。例如，使用Word2Vec算法训练向量

from gensim.test.utils import common_texts
from gensim.models import Word2Vec

model = Word2Vec(common_texts,size=100,window=5,min_count=1,workers=4)
word_vectors = model.wv

将vector保存到磁盘

from gensim.test.utils import get_tmpfile
from gensim.models import KeyedVectors

fname = get_tmpfile("vectors.kv")
word_vectors.save(fname)
word_vectors = KeyedVectors.load(fname,mmap='r')

这些向量还可以从磁盘上的现有文件实例化，以原始谷歌word2vec C格式作为KeyedVectors实例。

from gensim.test.utils import datapath

wv_from_text = KeyedVectors.load_word2vec_format(datapath("word2vec_pre_kv_c"),binary=False)
wv_from_bin = KeyedVectors.load_word2vec_format(datapath("euclidean_vectors.bin"),binary=True)

Word2Vec词向量使用汇总（词语相似性、集合相似度、词向量计算等）

在已经获取模型的前提下可以进行

1.获取每个词的词向量

model['computer']

2.支持词语的加减运算（实际例子可能只要少数例子比价符合）

model.most_similar(postive=['woman','king'],negative=['man'])

3.计算两个词之间的余弦距离

model.similarity('好','还行')

4.计算余弦距离最接近"word"的10个词，或topn个词

model.most_similar("word")
model.similar_by_word('贪污',topn=100) # 最接近的100个词

5.计算两个集合之间的余弦相似度

当出现某个词语不再这个训练集合中的时候，会报错。

list_sim1 = model.n_similarity(list1,list2)

6.选出集合中不同类的词语

model.doesnt_match("breakfast cereal dinner lunch".split())

#使用以下命令初始化模型
from gensim.test.utils import common_texts, get_tmpfile
from gensim.models import Word2Vec
 
path = get_tmpfile("word2vec.model") #创建临时文件
 
model = Word2Vec(common_texts, size=100, window=5, min_count=1, workers=4)
model.save("word2vec.model")
#加载模型
model = Word2Vec.load("word2vec.model")
--------------------- 
#获取每个词的词向量
model['computer']  # raw numpy vector of a word
#输出array([-0.00449447, -0.00310097,  0.02421786, ...], dtype=float32)
--------------------- 
# 支持词语的加减运算。（实际中可能只有少数例子比较符合）
model.most_similar(positive=['woman', 'king'], negative=['man'])
#输出[('queen', 0.50882536), ...]
--------------------- 
#计算两个词之间的余弦距离
model.similarity("好", "还行")
model.most_similar("人民")#计算余弦距离最接近“滋润”的10个词
for i in model.most_similar("人民"):
    print i[0],i[1]
--------------------- 
#model.similar_by_word('人民',topn=100) 输出与“人民”相似的前100个词
for key in model.similar_by_word('人民',topn=10):
        print(key)
for key in model.wv.similar_by_word('人民', topn =10):
    print(key)
---------------------
#计算两个集合之间的余弦似度,当出现某个词语不在这个训练集合中的时候，会报错
list1 = [u'今天', u'我', u'很', u'开心']
list2 = [u'空气',u'清新', u'善良', u'开心']
list3 = [u'国家电网', u'再次', u'宣告', u'破产', u'重新']
list_sim1 =  model.n_similarity(list1, list2)
print (list_sim1)
list_sim2 = model.n_similarity(list1, list3)
print( list_sim2) 
0.541874230659
0.13056320154
--------------------- 
#选出集合中不同类的词语
model.doesnt_match("breakfast cereal dinner lunch".split())
#输出'cereal'
list = ['纽约', '北京', '上海', '西安']
print( model.doesnt_match(list))
list = ['纽约', '北京', '上海', '西瓜']
print(model.doesnt_match(list))
纽约
西瓜