line.split()

line.split()
　　
　　sentences = MySentences('/some/directory') # a memory-friendly iterator
　　
　　接下来，我们用这个迭代器作为输入，构造一个Gensim内建的word2vec模型的对象（即将原始的one-hot向量转化为word2vec向量）：
　　
　　model = gensim.models.Word2Vec(sentences)
　　
　　如此，便完成了一个word2vec模型的训练。
　　
　　我们也可以指定模型训练的参数，例如采用的模型（Skip-gram或是CBoW）；负采样的个数；embedding向量的维度等。具体的参数列表在这里
　　
　　同样，我们也可以通过调用save()和load()方法完成word2vec模型的持久化。此外，word2vec对象也支持原始bin文件格式的读写。
　　
　　Word2vec对象还支持online learning。我们可以将更多的训练数据传递给一个已经训练好的word2vec对象，继续更新模型的参数：
　　
　　model = gensim.models.Word2Vec.load('/tmp/mymodel')
　　
　　model.train(more_sentences)
　　
　　若要查看某一个word对应的word2vec向量，可以将这个http://www.yxin7.com/ word作为索引传递给训练好的模型对象：
　　
　　model['computer