![jieba分词以及word2vec词语相似度](https://i-blog.csdnimg.cn/blog_migrate/9597c1ee7a48a1abaa3fab2ab8161237.png)
![jieba分词以及word2vec词语相似度](https://i-blog.csdnimg.cn/blog_migrate/18a31b08942230fb05f13e62399ed2cc.png)
去除 标点符号,
下一步 开始文本相似度计算:
Doc2Vec,Word2Vec文本相似度:https://blog.csdn.net/qq_33805714/article/details/109247752
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)
参数解释:
1.sg=1是skip-gram算法,对低频词敏感;默认sg=0为CBOW算法。
2.size是输出词向量的维数,值太小会导致词映射因为冲突而影响结果,值太大则会耗内存并使算法计算变慢,一般值取为100到200之间。
3.window是句子中当前词与目标词之间的最大距离,3表示在目标词前看3-b个词,后面看b个词(b在0-3之间随机)。
4.min_count是对词进行过滤,频率小于min-count的单词则会被忽视,默认值为5。
5.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,默认值为1e-3。
6.hs=1表示层级softmax将会被使用,默认hs=0且negative不为0,则负采样将会被选择使用。
7.workers控制训练的并行,此参数只有在安装了Cpython后才有效,否则只能使用单核。
from gensim.models import word2vec
参考文章 : http://www.jb51.net/article/139690.htm , https://blog.csdn.net/YmeBtc/article/details/102527799