NLP：Gensim库之word2vec

Posted 2021-01-31 hunttown

Gensim是一款开源的第三方Python工具包，用于从原始的非结构化的文本中，无监督地学习到文本隐层的主题向量表达。它支持包括TF-IDF，LSA，LDA，和word2vec在内的多种主题模型算法，支持流式训练，并提供了诸如相似度计算，信息检索等一些常用任务的API接口。

1、实现类

class gensim.models.Word2Vec(sentences=None, size=100, alpha=0.025, window=5, min_count=5, max_vocab_size=None, sample=0.001, seed=1, workers=3, min_alpha=0.0001, sg=0, hs=0, negative=5, cbow_mean=1, hashfxn=<built-in function hash>, iter=5, null_word=0, trim_rule=None, sorted_vocab=1, batch_words=10000)

 

2、方法：

（1）gensim.models.Word2Vec.similarity(w1, w2)：计算两个单词之间的余弦相似度。

>>> trained_model.similarity(‘woman‘, ‘man‘)
0.73723527

>>> trained_model.similarity(‘woman‘, ‘woman‘)
1.0

 

 

附、参数说明：

sentences：	可以是一个list，对于大语料集，建议使用BrownCorpus,Text8Corpus或lineSentence构建。
size：	是指特征向量的维度，默认为100。大的size需要更多的训练数据，但是效果会更好。推荐值为几十到几百。
alpha：	学习速率
window：	表示当前词与预测词在一个句子中的最大距离是多少。5表示每个词考虑前5个词与后5个词。
min_count：	可以对字典做截断。词频少于min_count次数的单词会被丢弃掉，默认值为5。
max_vocab_size：	设置词向量构建期间的RAM限制。如果所有独立单词个数超过这个，则就消除掉其中最不频繁的一个。每一千万个单词需要大约1GB的RAM。设置成None则没有限制。
sample：	高频词汇的随机降采样的配置阈值，默认为1e-3，范围是(0，1e-5)
seed：	用于随机数发生器。与初始化词向量有关。
workers：	参数控制训练的并行数。
sg：	用于设置训练算法，默认为0，对应CBOW算法；sg=1则采用skip-gram算法。
hs：	如果为1则会采用hierarchica·softmax技巧。如果设置为0（default），则negative sampling会被使用。
negative：	如果>0，则会采用negativesamping，用于设置多少个noise words。
cbow_mean：	如果为0，则采用上下文词向量的和，如果为1（default）则采用均值。只有使用CBOW的时候才起作用。
hashfxn：	hash函数来初始化权重。默认使用python的hash函数。
iter：	迭代次数，默认为5。
trim_rule：	用于设置词汇表的整理规则，指定那些单词要留下，哪些要被删除。可以设置为None（min_count会被使用）或者一个接受()并返回RULE_DISCARD，utils。RULE_KEEP或者utils。RULE_DEFAULT的函数。
sorted_vocab：	如果为1（default），则在分配word index 的时候会先对单词基于频率降序排序。
batch_words：	每一批的传递给线程的单词的数量，默认为10000
min_alpha：