word2vec安装以及使用

Posted 2020-07-12 鸣灭

一、安装

　　我使用的是在linux环境下运行的，所以首先去下载linux环境模拟器，下载的是cygwin因为要使用make命令工具，所以安装时要选中Devel与utils模块，默认安装没有安装make命令工具。记住一定要选中这两个模块，不然没有make命令工具没法运行makefile。

二、作用

　　我知道word2vec可以查看输入一个词，查看相近词比如这样

也可以对文本进行聚类，在其他人博客上看的说是使用k均值聚类

比如这样

聚完类也可以对聚类结果排序

最后一个功能是短语分析没用过

 可以参见http://www.cnblogs.com/hebin/p/3507609.html

这个博客

三、语料文件要求

　　语料文件要使用空格将词语分开，分词工具可是使用中科院分词工具。我会写一篇中科院分词工具的使用，大家可以参见。使用utf-8编码，可是使用Notepade++等工具将文件改变编码。

四、使用

　　进入linux环境模拟器输入  cd D:/word2vec/w2v/trunk这是进入文件下的指令，然后输入make等一会文件中会出现一些其他的文件，然后就可以使用了。将训练文件放到当前目录下。

使用指令

-train 训练数据
-output 结果输入文件，即每个词的向量
-cbow 是否使用cbow模型，0表示使用skip-gram模型，1表示使用cbow模型，默认情况下是skip-gram模型，cbow模型快一些，skip-gram模型效果好一些
-size 表示输出的词向量维数
-window 为训练的窗口大小，8表示每个词考虑前8个词与后8个词（实际代码中还有一个随机选窗口的过程，窗口大小<=5)
-negative 表示是否使用NEG方，0表示不使用，其它的值目前还不是很清楚
-hs 是否使用HS方法，0表示不使用，1表示使用
-sample 表示 采样的阈值，如果一个词在训练样本中出现的频率越大，那么就越会被采样
-binary 表示输出的结果文件是否采用二进制存储，0表示不使用（即普通的文本存储，可以打开查看），1表示使用，即vectors.bin的存储类型

通过设置binary可以打开查看

文本聚类的语句

./word2vec -train resultbig.txt -output classes.txt -cbow 0 -size 200 -window 5 -negative 0 -hs 1 -sample 1e-3 -threads 12 -classes 500  &
2 sort classes.txt -k 2 -n > classes_sorted_sogouca.txt 

引用参考博客

http://www.cnblogs.com/hebin/p/3507609.html

http://blog.csdn.net/heyongluoyao8/article/details/43488765