gensim 快速入门 Word2Vec

gensim的核心概念

1. Document: 文档。可以是一个一句话，或者一段话
2. Corpus: 文档的集合
3. Vector: 文档向量。将文档通过数学向量表示。
4. Model: 模型。将文档转换为向量的模型。将文档转换为向量并不是直接用死算法转的，和机器学习一样，首先是训练模型，然后用训练好的模型将文档转为向量。

import gensim

gensim.__version__

'4.0.1'

Word2Vec简介

建议看这篇文章：https://zhuanlan.zhihu.com/p/26306795/

简单点说，word2vec就是将一个单词映射成一个高维向量，例如google训练的word2vec模型将man这个单词映射成一个300维的向量。

这么做的好处有：

1. 将文本数字化，可以用于计算，比如计算man和woman两个单词的距离
2. 可以计算单词之间的相似程度
3. …

Word2Vec初试探

word2vec是一个需要训练的模型，官方提供了训练好的模型供人们玩。

下载这个文件，然后将其放在当前目录下

链接：https://pan.baidu.com/s/1Y5no1IDg6qtCwolOQVV_8A 
提取码：at9e 

加载模型：

wv = gensim.models.KeyedVectors.load_word2vec_format("GoogleNews-vectors-negative300.bin.gz", binary=True) # wv = word2vec

如果上面这句报错，请参考这篇文章：https://stackoverflow.com/questions/57507832/unable-to-allocate-array-with-shape-and-data-type

wv就是加载好的模型，可以很方便的使用模型获取单词的向量：

vec_king = wv['king']
vec_king.shape

(300,)

可以看出，king这个单词是一个300维度的向量

如果传递了一个不在词库中的单词，则会报错

try:
    vec_cameroon = wv['huluanxiede']
except KeyError:
    print("The word 'cameroon' does not appear in this model")

The word 'cameroon' does not appear in this model

计算两个单词的相似度:

wv.similarity('man', 'woman')  # 两个单词相似度很高

0.76640123

wv.similarity('woman', 'hello')  # 两个单词没什么关系，相似度很低

0.105804786

查询单词的最相似的5个单词：

wv.most_similar(positive=['man'], topn=5)

[('woman', 0.7664012908935547),
 ('boy', 0.6824870705604553),
 ('teenager', 0.6586930751800537),
 ('teenage_girl', 0.6147903203964233),
 ('girl', 0.5921714305877686)]

将单词可视化

定义一些动物和颜色的单词：

animals = ['dog', 'cat', 'panda', 'elephant', 'tiger', 'lion', 'monkey', 'koala']
colors = ['black', 'blue', 'green', 'purple', 'yellow', 'red', 'pink', 'orange']
cars = ['bicycle', 'bus', 'bike', 'motor', 'plane', 'ship', 'car']

将上述单词转为300维的向量：

animals_vec = wv[animals]
colors_vec = wv[colors]
cars_vec = wv[cars]

使用sklearn的PCA库，对数据进行降维：

from sklearn.decomposition import PCA

pca = PCA(n_components=2)
pca.fit(animals_vec)
animals_vec = pca.transform(animals_vec)

pca.fit(colors_vec)
colors_vec = pca.transform(colors_vec)

pca.fit(cars_vec)
cars_vec = pca.transform(cars_vec)

将上述点绘制成图像：

import matplotlib.pyplot as plt

plt.scatter(animals_vec[:, 0], animals_vec[:, 1], marker='o')
plt.scatter(colors_vec[:, 0], colors_vec[:, 1], marker='x')
plt.scatter(cars_vec[:, 0], cars_vec[:, 1], marker='+')
plt.show()

从上图可以看出，比较相似的单词距离较近（虽然降维后不太明显）。

训练自己的Word2Vec模型

sentences = [
    ['I', 'like', 'dog'],
    ['I', 'like', 'cat'],
    ['I', 'go', 'to', 'school', 'by', 'bus'],
    ['I', 'go', 'to', 'work', 'by', 'subway'],
]  # 分好词的句子

"""
vector_size: 要将单词转化为多少维的向量
min_count: 当语料库中某个单词出现的次数小于min_count时，忽略该单词
window: 训练时，会考虑该单词的上下文。window表示考虑几个单词。一般情况下，该值越大，训练耗时越长，效果越好。
"""
model = gensim.models.Word2Vec(sentences=sentences, vector_size=10, min_count=1, window=2)

model.wv['dog'] # 获取dog单词的词向量

array([-0.08619688,  0.03665738,  0.05189884,  0.05741937,  0.07466917,
       -0.06167676,  0.01105614,  0.06047282, -0.02840052, -0.06173522],
      dtype=float32)

print("dog和cat的相似度：", wv.similarity('dog', 'cat'))
print("bus和subway的相似度:", wv.similarity('bus', 'subway'))
print("dog和bus的相似度:", wv.similarity('dog', 'bus'))

dog和cat的相似度： 0.7609457
bus和subway的相似度: 0.4529537
dog和bus的相似度: 0.16011381