前言
⭐️ 本文持续更新
⭐️ 本文只是用作在使用Gensim过程中的一些经验 (踩过的很多坑,记录下来以防止再踩)
⭐️ 关于Word2Vec详解部分,请参考这篇论文(非常适合小白,就是是英文版的):6. 论文:word2vec Parameter Learning Explained
1.Word2Vec部分
1.1.模型构建过程
⭐️ 第一步:构建输入语料,输入语料必须是个二维数组,形似,以下代码片段
sentence = [["I", "like", "eat", "apple"],["I", "love", "you", "forever"]]
⭐️ 第二步:输入语料训练模型,形如以下代码片段,其中的workers
必须在安装了cython
运行才有效果,具体模型参数详解,可以参考:基于 Gensim 的 Word2Vec 实践
model = Word2Vec(sentences = sentence ,workers=8, window=5, vector_size=500)
⭐️ 第三步:模型保存与载入,这里有两种保存方法,一种保存全部数据,不可以查看,可以用来进行重训练,另外一种是保存为文本格式,可以查看,但是丢失了词汇树等部分信息,不能追加训练,形如以下代码片段
# 第一种:保存全部数据
model.save("./dir/xx.m")
# 第二种:保存为文本格式
model.save_word2vec_format('./dir/xx.txt', binary = Flase)
model.save_word2vec_format('./dir/xx.bin.gz', binary = True)
# 模型载入
gensim.models.Word2Vec.load("./dir/xx.m")
gensim.models.KeyedVectors.load_word2vec_format('./dir/xx.txt', binary = Flase)
gensim.models.KeyedVectors.load_word2vec_format('./dir/xx.bin.gz', binary = True)
⭐️ 第四步:模型评估,
1.2.线上训练
⭐️ 加载模型进行线上训练(也就是加载模型追加训练),在模型训练的时候,无法更新词表,只能在以前的词表上训练,训练形如以下代码,注意一定要写corpus_iterable = sentence
千万不要写成sentences= sentence
,否则会报错!!!
model = gensim.models.Word2Vec.load(model_save_path)
model.train(corpus_iterable = sentence ,total_examples=len(context), epochs=10)
⭐️ 如果要重建词表,要使用这一函数 model.build_vocab()
, 注意,使用了这一函数后,原词表会被覆盖
model.build_vocab(corpus_iterable = context, update = True)
1.3.模型应用
- ⭐️ 获取词向量,这里一定要用
model.wv["xx"]
,不要用model["xx"]
model.wv["password"]
- ⭐️ 获取最相似的词
model.wv.most_similar("username")
- ⭐️ 获取词表,这里千万不要用
model.wv.vocab[key]
,已经被弃用!!!
model.wv.key_to_index
1.4.其他
- ⭐️ 模型在训练过程中生成的.npy文件是神经网络的权重参数,可以通过numpy加载查看其各层参数
import numpy as np
wDict = np.load("../model/word2vec_15M_500_W5.m.wv.vectors.npy", encoding= "bytes")
wDict_native = np.load("../model/word2vec_15M_500_W5.m.syn1neg.npy", encoding= "bytes")
2.参考资料
📖 1:基于 Gensim 的 Word2Vec 实践
📖 2:官网示例 Word2Vec Model
📖 3:机器学习:gensim之Word2Vec 详解
📖 4. 查看npy文件中存的是什么
📖 5. word2vector的原理,结构,训练过程
📖 6. 论文:word2vec Parameter Learning Explained