word2vec的详细实例介绍（包含jieba分词提供的语料）

原创实在不易，欢迎大家关注我微信公众号：阳洋up

 

重要参考博客：word2vec中文相似词计算和聚类的使用说明及c语言源码_杨秀璋的专栏-CSDN博客_word2vec词语相似度

                        https://www.cnblogs.com/Newsteinwell/p/6034747.html

1、下载地址及安装

官网C语言下载地址：http://word2vec.googlecode.com/svn/trunk/（如果失效，可以直接下载我分享的压缩包）

1)       半自动安装：先下载http://pypi.python.org/pypi/jieba/，解压后运行 `sudo python setup.py install

2)      运行 make编译word2vec工具

3)      再运行示例脚本：./demo-word.sh

2、中文语料

   语料是我从地球物理领域里面收集的，内容主要是关于地球物理反演的简单介绍，字数2000+。

   Word2vec的输入是分好词的文本，我用的分词工具是jieba，用到的命令如下：

jieba分词程序：

import jieba

import codecs

jieba.load_userdict("newdict.txt")          //引入自定义词典，如果不需要，可不考虑

with open('geophysics.txt', 'r') as f:         //geophysics.txt文件是jieba的输入文本

    for line in f:

        seg =jieba.cut(line.strip(), cut_all = False)

        s='/'.join(seg)

        m=list(s)

        withopen('geophysicsdone.txt','a+')as f:   //geophysicsdone.txt文本是分词后的输出文本

           for word in m:

               f.write(word.encode('utf-8'))       // utf-8是编辑格式

3、word2vec中将文本进行训练（计算相似距离）

   

具体命令解释如下：

Result_Country.txt文本是jieba的输出文本

vectors.bin文件是训练后的输出

4、结果展示

1）运行 ./distancevectors.bin

计算相似距离的3个例子：

输入词：地球物理

 

输入词：研究

 

输入词：地震波

 

2）运行 ./word2vec -train test.txt -output vec.txt-size 50 -window 5 -sample 1e-4 -negative 5 -hs 0 -binary 0 -cbow 1 -iter 3

将词都转换成向量：

命令中的参数意义请参照：Word2Vec的参数解释_小白_努力-CSDN博客_word2vec参数

2维：

20维：