Python gensim库word2vec的使用

Posted 2021-02-14 allen-rg

ip install gensim安装好库后，即可导入使用：

1、训练模型定义

from gensim.models import Word2Vec  
model = Word2Vec(sentences, sg=1, size=100,  window=5,  min_count=5,  negative=3, sample=0.001, hs=1, workers=4)  

　　

参数解释：

0.sentences是训练所需语料，可通过以下方式进行加载

sentences=word2vec.Text8Corpus(file)

　　

此处训练集的格式为英文文本或分好词的中文文本

1.sg=1是skip-gram算法，对低频词敏感；默认sg=0为CBOW算法。

2.size是输出词向量的维数，值太小会导致词映射因为冲突而影响结果，值太大则会耗内存并使算法计算变慢，一般值取为100到200之间。

3.window是句子中当前词与目标词之间的最大距离，3表示在目标词前看3-b个词，后面看b个词（b在0-3之间随机）。

4.min_count是对词进行过滤，频率小于min-count的单词则会被忽视，默认值为5。

5.negative和sample可根据训练结果进行微调，sample表示更高频率的词被随机下采样到所设置的阈值，默认值为1e-3。

6.hs=1表示层级softmax将会被使用，默认hs=0且negative不为0，则负采样将会被选择使用。

7.workers控制训练的并行，此参数只有在安装了Cpython后才有效，否则只能使用单核。

详细参数说明可查看word2vec源代码。

 

2、训练后的模型保存与加载

model.save(fname)  
model = Word2Vec.load(fname)  

3、模型使用

model.most_similar(positive=[‘woman‘, ‘king‘], negative=[‘man‘])  
#输出[(‘queen‘, 0.50882536), ...]  
  
model.doesnt_match("breakfast cereal dinner lunch".split())  
#输出‘cereal‘  
  
model.similarity(‘woman‘, ‘man‘)  
#输出0.73723527  
  
model[‘computer‘]  # raw numpy vector of a word  
#输出array([-0.00449447, -0.00310097,  0.02421786, ...], dtype=float32)  

　　

 gensim  word2vec实战

我选择的《人民的名义》的小说原文作为语料，语料原文在这里。

完整代码参见 github: https://github.com/ljpzzz/machinelearning/blob/master/natural-language-processing/word2vec.ipynb

拿到了原文，我们首先要进行分词，这里使用结巴分词完成。在中文文本挖掘预处理流程总结中，我们已经对分词的原理和实践做了总结。

加入下面的一串人名是为了结巴分词能更准确的把人名分出来。

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

import jieba
import jieba.analyse

jieba.suggest_freq(‘沙瑞金‘, True)
jieba.suggest_freq(‘田国富‘, True)
jieba.suggest_freq(‘高育良‘, True)
jieba.suggest_freq(‘侯亮平‘, True)
jieba.suggest_freq(‘钟小艾‘, True)
jieba.suggest_freq(‘陈岩石‘, True)
jieba.suggest_freq(‘欧阳菁‘, True)
jieba.suggest_freq(‘易学习‘, True)
jieba.suggest_freq(‘王大路‘, True)
jieba.suggest_freq(‘蔡成功‘, True)
jieba.suggest_freq(‘孙连城‘, True)
jieba.suggest_freq(‘季昌明‘, True)
jieba.suggest_freq(‘丁义珍‘, True)
jieba.suggest_freq(‘郑西坡‘, True)
jieba.suggest_freq(‘赵东来‘, True)
jieba.suggest_freq(‘高小琴‘, True)
jieba.suggest_freq(‘赵瑞龙‘, True)
jieba.suggest_freq(‘林华华‘, True)
jieba.suggest_freq(‘陆亦可‘, True)
jieba.suggest_freq(‘刘新建‘, True)
jieba.suggest_freq(‘刘庆祝‘, True)

with open(‘./in_the_name_of_people.txt‘) as f:
    document = f.read()
    
    #document_decode = document.decode(‘GBK‘)
    
    document_cut = jieba.cut(document)
    #print  ‘ ‘.join(jieba_cut)  //如果打印结果，则分词效果消失，后面的result无法显示
    result = ‘ ‘.join(document_cut)
    result = result.encode(‘utf-8‘)
    with open(‘./in_the_name_of_people_segment.txt‘, ‘w‘) as f2:
        f2.write(result)
f.close()
f2.close()

　拿到了分词后的文件，在一般的NLP处理中，会需要去停用词。由于word2vec的算法依赖于上下文，而上下文有可能就是停词。因此对于word2vec，我们可以不用去停词。

　现在我们可以直接读分词后的文件到内存。这里使用了word2vec提供的LineSentence类来读文件，然后套用word2vec的模型。

   这里只是一个示例，因此省去了调参的步骤，实际使用的时候，你可能需要对我们上面提到一些参数进行调参。

# import modules & set up logging
import logging
import os
from gensim.models import word2vec

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

sentences = word2vec.LineSentence(‘./in_the_name_of_people_segment.txt‘) 

model = word2vec.Word2Vec(sentences, hs=1,min_count=1,window=3,size=100)  

模型出来了，我们可以用来做什么呢？这里给出三个常用的应用。

第一个是最常用的，找出某一个词向量最相近的词集合，代码如下：

req_count = 5
for key in model.wv.similar_by_word(‘沙瑞金‘.decode(‘utf-8‘), topn =100):
    if len(key[0])==3:
        req_count -= 1
        print key[0], key[1]
        if req_count == 0:
            break;

我们看看沙书记最相近的一些3个字的词（主要是人名）如下：

高育良 0.967257142067
李达康 0.959131598473
田国富 0.953414440155
易学习 0.943500876427
祁同伟 0.942932963371

第二个应用是看两个词向量的相近程度，这里给出了书中两组人的相似程度：

print model.wv.similarity(‘沙瑞金‘.decode(‘utf-8‘), ‘高育良‘.decode(‘utf-8‘))
print model.wv.similarity(‘李达康‘.decode(‘utf-8‘), ‘王大路‘.decode(‘utf-8‘))

输出如下：

0.961137455325
0.935589365706

第三个应用是找出不同类的词，这里给出了人物分类题：

print model.wv.doesnt_match(u"沙瑞金 高育良 李达康 刘庆祝".split())

word2vec也完成的很好，输出为"刘庆祝"。

 

gensim word2vec ：https://www.cnblogs.com/pinard/p/7278324.html

word2vec原理：http://www.cnblogs.com/pinard/p/7160330.html  

 

原文：https://blog.csdn.net/angus_monroe/article/details/76999920