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 -train text8 -output vectors.bin -cbow 1 -size 200 -window 8 -negative 25 -hs 0 -sample 1e-4 -threads
20 -binary 1 -iter 15
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Hierarchical Softmax模型效率更⾼。
7）-hs：是否采⽤基于Hierarchical Softmax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 - - -cbow 1 -size 200 -window 5 -negative 25 -hs 0 -sample 1e-4 -
threads 20 -binary 0 -iter 30
⽰例为训练⼀个名的⽂档。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）
dels import KeyedVectors
if not ists(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...'
import picklef= 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：
dels import Word2Vec
dels.word2vec import LineSentence
try:
import cPickle as pickle
except ImportError:
import pickle
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：
if not ists(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
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。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。