在python下实现word2vec词向量训练与加载实例
项目中要对短文本进行相似度估计，word2vec是一个很火的工具。本文就word2vec的训练以及加载进行了总结。
word2vec的原理就不描述了，word2vec词向量工具是由google开发的，输入为文本文档，输出为基于这个文本文档的语料库训练得到的词向量模型。
通过该模型可以对单词的相似度进行量化分析。
word2vec的训练方法有2种，一种是通过word2vec的官方手段，在linux环境下编译并执行。
在github上下载word2vec的安装包，然后make编译。查看demo-word.sh脚本，得到word2vec的执行命令：
./word2vec-traintext8-outputvectors.bin-cbow1-size200-window8-negative25-hs0-sample1e-4-threads20-binary1-iter15
参数解释：
1）-train：需要训练的语料库，text8为语料库文件名
2）-output：输出的词向量文件，vectors.bin为输出词向量文件名，.bin后缀为二进制文件。若要以文档的形式查看词向量文件，需要将-binary参数的值由1改为0
3）-cbow：是否使用cbow模型进行训练。参数为1表示使用cbow，为0表示不使用cbow
4）-size：词向量的维数，默认为200维。
5）-window：训练过程中截取上下文的窗口大小，默认为8，即考虑一个词前8个和后8个词
6）-negative：若参数非0，表明采样随机负采样的方法，负样本子集的规模默认为25。若参数值为0,表示不使用随机负采样模型。使用随机负采样比HierarchicalSoftmax模型效率更高。
7）-hs：是否采用基于HierarchicalSoftmax的模型。参数为1表示使用，0表示不使用
8）-sample：语料库中的词频阈值参数，词频大于该阈值的词，越容易被采样。默认为e^-4.
9）-threads：开启的线程数目，默认为20.
10）-binary：词向量文件的输出形式。1表示输出二进制文件，0表示输出文本文件
11）-iter：训练的迭代次数。一定范围内，次数越高，训练得到的参数会更准确。默认值为15次.
./word2vec-trainmytext.txt-outputvectors.txt-cbow1-size200-window5-negative25-hs0-sample1e-4-threads20-binary0-iter30
示例为训练一个名mytext.txt的文档。设置输出词向量的格式为.txt文本文档，所以还需要将-binary参数设置为0.
训练模型采用基于随机负采样的cbow模型。由于短文本字数极为有限，所以-window参数设置为5，设置词向量的维数
为200，为了使得到的参数更准确，将迭代次数增加至30.其他参数使用默认值。
训练以后得到一个txt文本，该文本的内容为：每行一个单词，单词后面是对应的词向量。
gensim加载词向量：
保存词向量模型到pkl中（注意：这里是对词向量模型进行构建）
fromgensim.modelsimportKeyedVectors ifnotos.path.exists(pkl_path):#如果pickle模型不存在，则构建一个 print'词向量模型不存在，开始构建词向量模型...' Word2Vec=KeyedVectors.load_word2vec_format(vecs_path,binary=False)#加载词向量模型 f=file(pkl_path,'wb') pickle.dump(Word2Vec,f,True) f.close() print'词向量模型构建完毕...' f=file(pkl_path,'rb')#打开pkl文件 word2vec=pickle.load(f)#载入pkl
第二种方法是使用gensim模块训练词向量：
fromgensim.modelsimportWord2Vec fromgensim.models.word2vecimportLineSentence try: importcPickleaspickle exceptImportError: importpickle sentences=LineSentence(path)#path为要训练的txt的路径 #对sentences表示的语料库进行训练，训练200维的词向量，窗口大小设置为5，最小词频设置为5 model=Word2Vec(sentences,size=200,window=5,min_count=5) model.save(model_path)#model_path为模型路径。保存模型，通常采用pkl形式保存，以便下次直接加载即可 #加载模型 model=Word2Vec.load(model_path)
完整的训练，加载通常采用如下方式：
ifnotos.path.exists(model_path): sentences=LineSentence(path) model=Word2Vec(sentences,size=200,window=5,min_count=5) model.save(model_path) model=Word2Vec.load(model_path)
这样一来，就可以通过pkl化的词向量模型进行读取了。pkl的目的是为了保存程序中变量的状态，以便下次直接访问，
不必重新训练模型。
详细内容间gensim官方库
https://radimrehurek.com/gensim/models/word2vec.html
以上这篇在python下实现word2vec词向量训练与加载实例就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持毛票票。