gensim版word2vec的使用

1.引入模块

import gensim

2.准备语料

每个文本一个一个list，再组合成一个大的list，也可以是生成器，相关的词汇要先分词

sentences = [['第一','个', '文本'], ['第二','个', '文本'], ['第三','个', '文本']]

class MySentences(object):
    def __init__(self, filename):
        self.filename = filename

    def __iter__(self):
        with open(self.filename,'r',encoding='utf-8') as f:
            for line in f:
                yield line.split()

sentences = MySentences('fzhxx_corpus.txt') 

3.训练和存储模型

model = gensim.models.Word2Vec(sentences, min_count=5, workers=2) 
model.save('fzhxx_model')

在线训练方式：

model.build_vocab(some_sentences)
model.train(other_sentences)

后面可以跟一堆参数:

sg 定义训练算法,默认是sg=0,采用CBOW，否则sg=1采用skip-gram
size 是特征向量的维数
window 设置当前词汇与上下文词汇的最大间距
alpha 是最初学习速率
seed 用于随机数生成器
min_count  设置最低有效词频
max_vocab_size  设置词向量训练期间的最大RAM，如果词汇量超过这个就减掉词频最小的那个,设置None则不限制，每1000万字大概需要1Gb内存
sample 设置高频词随机下采样的阈值，默认值为1e-3，有效范围为（0，1e-5）
workers 设置几个工作线程来训练模型（有效利用多核机器）
hs  如果设置为1，将用于模型训练。如果设置为0（默认），同时negative设置为非零，将使用负采样
negative 如果> 0，将使用负采样，该数值指定应取出多少“噪声字”（通常在5-20之间）。默认值为5，如果设置为0，则不使用负采样
cbow_mean = 如果设置为0，使用上下文词向量的和。如果设为1（默认），则使用平均值，仅适用于使用cbow时。
hashfxn 散列函数，用于随机初始化权重以增加训练的可重复性。默认是Python的基本内置哈希函数
iter  语料库中的迭代次数（epochs），默认值为5
trim_rule 词汇修剪规则，指定某些词是否应保留在词汇表中，被修剪掉或使用默认值处理（如果字计数<min_count则舍弃）。可以为None（将使用min_count）或接受参数（word，count，min_count）的可调用并返回utils.RULE_DISCARD，utils.RULE_KEEP或utils.RULE_DEFAULT。注意：规则（如果给出）仅在build_vocab（）期间用于修剪词汇表，不会作为模型的一部分存储。
sorted_vocab  如果设为1（默认），在分配词索引之前，通过降序对词汇表进行排序。
batch_words  传递给工作线程（以及此cython例程）的示例批次的目标大小（以字为单位）。默认值为10000.（如果单个文本长度大于10000个字，则会传递更大的批次，但标准的cython代码会截断到最大值。）

4.使用模型

model = gensim.models.Word2Vec.load('fzhxx_model') #加载模型
a = model.most_similar(positive=['积极词1','积极词2'],negative=['消极词1','消极词2'],topn=40)  #取最符合的40个词
b = model.similarity('词1', '词2') #两个词的相似度
c = model.doesnt_match(['词1','词2','词3']) #最不一样的词
d = model['词汇名'] #词向量

官方文档：https://radimrehurek.com/gensim/models/word2vec.html