NLP基础1-词向量之序号化,One-Hot,BOW/TF,TF-IDF
NLP基础2-词向量之Word2Vec
NLP基础3-词向量之Word2Vec的Gensim实现
一、Gensim 框架下的W ord2Vec 重要参数
- vector_size: 最终期望提取的单词向量维度大小,就是 embedding_dim
- window: 窗口大小 = 周边词 + 目标词
- min_count: 单词频数小于该值的单词不参与训练
- sg: 1(Skip-gram) 0(CBOW) 两个结构
- hs: 1(hierarchical softmax) 0(negative sampling) 两个优化
- negative: 当hs为0的时候, 给定负样本数目, 给定为0表示不采用负采样
- alpha: 学习率
- cbow_mean: CBOW结构中, 上下文单词特征合并的时候采用哪种合并方式:1表示均值合并, 0表示求和
- sample: 给定训练数据的单词重采样频率
- ns_exponent: 给定负采样的时候,计算各个类别被抽取的概率公式中的超参数;
二、代码实现
import jieba
import gensim
from gensim.models import word2vec
# 1. 针对 txt 文件内容进行分词
with open(word_file_path,'w', encoding='utf-8') as writer:
with open(sentence_file_path, 'r', encoding='utf-8') as reader:
# 加载所有数据
content = reader.read()
# 分词
content = jieba.cut(content)
# 合并结果
result = ' '.join(content)
# 结果输出
writer.write(result)
# 2. 每行数据加载
print(f"文件路径:{word_file_path}") # 分词后的文件路径
sentences = word2vec.LineSentence(word_file_path) # 底层的执行逻辑代码:针对给定的文件,按行读取数据,并按空格进行单词划分,最后划分
# 3. 训练Word2Vec模型
model = word2vec.Word2Vec(sentences, hs = 1,min_count = 1,window = 3,vector_size = 100)