python语料处理_python gensim使用word2vec词向量处理中文语料的方法

word2vec介绍

word2vec官网：https://code.google.com/p/word2vec/

word2vec是google的一个开源工具，能够根据输入的词的集合计算出词与词之间的距离。

它将term转换成向量形式，可以把对文本内容的处理简化为向量空间中的向量运算，计算出向量空间上的相似度，来表示文本语义上的相似度。

word2vec计算的是余弦值，距离范围为0-1之间，值越大代表两个词关联度越高。

词向量：用Distributed Representation表示词，通常也被称为“Word Representation”或“Word Embedding(嵌入)”。

简言之：词向量表示法让相关或者相似的词，在距离上更接近。

具体使用(处理中文)

收集语料

本文：亚马逊中文书评语料，12万+句子文本。

语料以纯文本形式存入txt文本。

注意：

理论上语料越大越好

理论上语料越大越好

理论上语料越大越好

重要的事情说三遍。

因为太小的语料跑出来的结果并没有太大意义。

分词

中文分词工具还是很多的，我自己常用的：

- 中科院NLPIR

- 哈工大LTP

- 结巴分词

注意：分词文本将作为word2vec的输入文件。

分词文本示例

word2vec使用

python，利用gensim模块。

win7系统下在通常的python基础上gensim模块不太好安装，所以建议使用anaconda，具体参见： python开发之anaconda【以及win7下安装gensim】

直接上代码——

#!/usr/bin/env python

# -*- coding: utf-8 -*-

"""

功能：测试gensim使用，处理中文语料

时间：2016年5月21日 20:49:07

"""

from gensim.models import word2vec

import logging

# 主程序

logging.basicConfig(format='%(asctime)s : %(levelname)s : %(message)s', level=logging.INFO)

sentences = word2vec.Text8Corpus(u"C:\\Users\\lenovo\\Desktop\\word2vec实验\\亚马逊中文书评语料.txt") # 加载语料

model = word2vec.Word2Vec(sentences, size=200) # 默认window=5

# 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")

# 以一种C语言可以解析的形式存储词向量

model.save_word2vec_format(u"书评.model.bin", binary=True)

# 对应的加载方式

# model_3 = word2vec.Word2Vec.load_word2vec_format("text8.model.bin", binary=True)

if __name__ == "__main__":

pass

运行结果

【不错】和【好】的相似度为： 0.790186663972

--------

和【书】最相关的词有：

书籍 0.675163209438

书本 0.633386790752

确实 0.568059504032

教材 0.551493048668

正品 0.532882153988

没得说 0.529319941998

好 0.522468209267

据说 0.51004421711

图书 0.508755385876

挺 0.497194319963

新书 0.494331330061

很 0.490583062172

不错 0.476392805576

正版 0.460161447525

纸张 0.454929769039

可惜 0.450752496719

工具书 0.449723362923

的确 0.448629021645

商品 0.444284260273

纸质 0.443040698767

--------

书-不错，质量-

精美 0.507958948612

总的来说 0.496103972197

材质 0.493623793125

--------

不合群的词： 很

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持我们。

本文标题: python gensim使用word2vec词向量处理中文语料的方法

本文地址: http://www.cppcns.com/jiaoben/python/264641.html