word2vec

gensim.models.Word2Vec() 有一系列的参数，常用的如下

• size 定义词向量的维度，默认是100
• alpha 初始的学习率，随着训练的进行，逐渐减少至0
• window 扫描句子的窗口大小，默认值为5
• min_count 过滤掉一些低频词，如果一个词在整个语料库里出现的次数小于min_count，在训练的时候就不考虑这个词。
• max_vocab_size 限制一下词汇表的数量，避免太多词占用太多内存，默认为None
• workers 训练模型的线程
• sg 训练采用的算法，sg=0 采用CBOW，sg=1采用skip-gram
• hs 为1的时候采用hierarchical softmax，如果为0且negative也非0，则采用negative sampling方案
• negative negative sampling的词数，通常是5-20
• cbow_mean 0或1。如果为0，则隐层为输入层的SUM，为1隐层为输入层向量的均值。
• iter 迭代遍历语料库的次数，默认值为5

训练代码：

sentences = sentences_generator('corpus_words.dat')

model = gensim.models.Word2Vec(sentences, size=200, workers=4)

# 计算两个词的相似度/相关程度
y1 = model.similarity(u"不错", u"好")
print u"【不错】和【好】的相似度为：", y1
print "--------\n"

# 计算某个词的相关词列表
y2 = model.most_similar(u"书", topn=20)  # 20个最相关的
print u"和【书】最相关的词有：\n"
for item in y2:
    print item[0], item[1]
print "--------\n"

# 寻找对应关系
print u"书-不错，质量-"
y3 = model.most_similar([u'质量', u'不错'], [u'书'], topn=3)
for item in y3:
    print item[0], item[1]
print "--------\n"

# 寻找不合群的词
y4 = model.doesnt_match(u"书 书籍 教材 很".split())
print u"不合群的词：", y4
print "--------\n"

# 保存模型，以便重用
model.save(u"书评.model")
# 对应的加载方式
# model_2 = word2vec.Word2Vec.load("text8.model")