十五、中文词向量训练二

最新推荐文章于 2022-05-15 11:01:32 发布

智享AI

最新推荐文章于 2022-05-15 11:01:32 发布

阅读量677

点赞数

分类专栏：深度学习文章标签：自然语言处理深度学习 python

本文链接：https://blog.csdn.net/guangzhanblog/article/details/121691348

版权

深度学习专栏收录该内容

34 篇文章 7 订阅

订阅专栏

中文词向量训练二

1. Gensim工具训练中文词向量

1.1 中文词向量过程

源程序：train_word2vec_model.py

执行方法：在命令行终端执行下列代码.

python train_word2vec_model.py wiki.zh.text.seg wiki.zh.text.model wiki.zh.text.vector

wiki.zh.text.seg为输入文件，wiki.zh.text.model和wiki.zh.text.vector为输出文件，model存储了训练的词向量模型，vector存储了训练的权重。

Word2vec训练词向量的参数

LineSentence(inp)：按行读取; 单词已经过预处理并被空格分隔。
size：是每个词的向量维度；
window：是词向量训练时的上下文扫描窗口大小，窗口为5就是考虑前5个词和后5个词；
min-count：设置最低频数，默认是5，如果一个词语在文档中出现的次数小于5，那么就会丢弃
workers：是训练的线程数，默认是当前运行机器的处理器核数。

在这里插入图片描述

2. 中文词向量测试

2.1 加载训练的词向量

加载过程：model = gensim.models.Word2Vec.load("wiki.zh.text.model")

查看单词的向量：

for word in model.wv.index2word:
	print(word, model[word])

输出结果：

在这里插入图片描述

2.2 寻找相近的词语

语言学：result= model.most_similar(u”语言学”)
财富：result= model.most_similar(u”财富”)
输出结果：

2.3 完整代码

""" 1. 训练词向量代码"""
#!/usr/bin/env python
# -*- coding: utf-8 -*-
# train_word2vec_model.py用于训练模型

import logging
import os.path
import sys
import multiprocessing
from gensim.models import Word2Vec
from gensim.models.word2vec import LineSentence

if __name__ == '__main__':
    # sys.argv[0]获取的是脚本文件的文件名称
    program = os.path.basename(sys.argv[0])
    # sys.argv[0]获取的是脚本文件的文件名称
    logger = logging.getLogger(program)
    # format: 指定输出的格式和内容，format可以输出很多有用信息，
    # %(asctime)s: 打印日志的时间
    # %(levelname)s: 打印日志级别名称
    # %(message)s: 打印日志信息
    logging.basicConfig(format='%(asctime)s: %(levelname)s: %(message)s')
    logging.root.setLevel(level=logging.INFO)
    logger.info("running %s" % ' '.join(sys.argv))
    # check and process input arguments
    if len(sys.argv) < 4:
        print(globals()['__doc__'] % locals())
        sys.exit(1)

    # inp:分好词的文本
    # outp1:训练好的模型
    # outp2:得到的词向量
    inp, outp1, outp2 = sys.argv[1:4]
    """
    LineSentence(inp)：格式简单：一句话=一行; 单词已经过预处理并被空格分隔。
    size：是每个词的向量维度； 
    window：是词向量训练时的上下文扫描窗口大小，窗口为5就是考虑前5个词和后5个词； 
    min-count：设置最低频率，默认是5，如果一个词语在文档中出现的次数小于5，那么就会丢弃； 
    workers：是训练的进程数（需要更精准的解释，请指正），默认是当前运行机器的处理器核数。这些参数先记住就可以了。
    sg ({0, 1}, optional) – 模型的训练算法: 1: skip-gram; 0: CBOW
    alpha (float, optional) – 初始学习率
    iter (int, optional) – 迭代次数，默认为5
    """
    model = Word2Vec(LineSentence(inp), size=100, window=5, min_count=5,
                     workers=multiprocessing.cpu_count())
    model.save(outp1)
    model.wv.save_word2vec_format(outp2, binary=False)

"""2. 使用词向量代码"""
# coding:utf-8

import gensim

model = gensim.models.Word2Vec.load("wiki.zh.text.model")

count = 0
for word in model.wv.index2word:
    print(word,model[word])
    count += 1
    if count==5:
        break

result = model.most_similar(u"语言学")
for e in result:
    print(e)