gensim Word2vec

转载的文章找不到了.url就不放了。百度上相关的很多，来源可能都是一样的。 不能完全转载，选择了部分的内容。所以算原创吧。。。

在做这个实验的时候，最麻烦的问题是编码问题。由于工具采用的utf-8编码。所以不得不把文件的编码格式转化了。前半部分实现编码转换过程。

# coding=gb2312
from gensim.models import word2vec
import chardet
import gensim
import logging
# file = open('allWords.txt','rb')
# fileout = open('allWords1.txt',"wb")
# tl = 0
# for i in file:
# 	tl += 1
# 	encodingName = chardet.detect(i)['encoding']
# 	# print(encodingName)
# 	# print(i)
# 	i = i.decode(encoding='gb2312',errors='ignore')
# 	i = i.encode('utf-8',errors='ignore')
# 	# print(chardet.detect(i))
# 	# print(i)
# 	# i = i.encode('utf-8')
# 	print(tl)
# 	# if tl == 100:
# 	# 	break
# 	fileout.write(i)
# file.close()
# fileout.close()
# exit(0)


# 主程序
logging.basicConfig(format='%(asctime)s:%(levelname)s: %(message)s', level=logging.INFO)
sentences =word2vec.Text8Corpus(u"allWords1.txt")  # 加载语料
model =word2vec.Word2Vec(sentences, size=200)  #训练skip-gram模型，默认window=5


# 以一种c语言可以解析的形式存储词向量
#model.save_word2vec_format(u"书评.model.bin", binary=True)