word2vec介绍
word2vec官网：https://code.google.com/p/word2vec/
- word2vec是google的一个开源工具，能够根据输入的词的集合计算出词与词之间的距离。
- 它将term转换成向量形式，可以把对文本内容的处理简化为向量空间中的向量运算，计算出向量空间上的相似度，来表示文本语义上的相似度。
- word2vec计算的是余弦值，距离范围为0-1之间，值越大代表两个词关联度越高。
- 词向量：用Distributed Representation表示词，通常也被称为“Word Representation”或“Word Embedding（嵌入）”。
简言之：词向量表示法让相关或者相似的词，在距离上更接近。
具体使用（处理中文）
收集语料
本文：亚马逊中文书评语料，12万+句子文本。
语料以纯文本形式存入txt文本。
注意：
理论上语料越大越好
理论上语料越大越好
理论上语料越大越好
重要的事情说三遍。
因为太小的语料跑出来的结果并没有太大意义。
分词
中文分词工具还是很多的，我自己常用的：
- 中科院NLPIR
- 哈工大LTP
- 结巴分词
注意：分词文本将作为word2vec的输入文件。
分词文本示例
word2vec使用
python，利用gensim模块。
win7系统下在通常的python基础上gensim模块不太好安装，所以建议使用anaconda，具体参见： python开发之anaconda【以及win7下安装gensim】
直接上代码——
1 #!/usr/bin/env python 2 # -*- coding: utf-8 -*- 3 4 """ 5 功能：测试gensim使用，处理中文语料 6 时间：2016年5月21日 20:49:07 7 """ 8 9 from gensim.models import word2vec 10 import logging 11 12 # 主程序 13 logging.basicConfig(format='%(asctime)s : %(levelname)s : %(message)s', level=logging.INFO) 14 sentences = word2vec.Text8Corpus(u"C:\Users\lenovo\Desktop\word2vec实验\亚马逊中文书评语料.txt") # 加载语料 15 model = word2vec.Word2Vec(sentences, size=200) # 默认window=5 16 17 # 计算两个词的相似度/相关程度 18 y1 = model.similarity(u"不错", u"好") 19 print u"【不错】和【好】的相似度为：", y1 20 print "-------- " 21 22 # 计算某个词的相关词列表 23 y2 = model.most_similar(u"书", topn=20) # 20个最相关的 24 print u"和【书】最相关的词有： " 25 for item in y2: 26 print item[0], item[1] 27 print "-------- " 28 29 # 寻找对应关系 30 print u"书-不错，质量-" 31 y3 = model.most_similar([u'质量', u'不错'], [u'书'], topn=3) 32 for item in y3: 33 print item[0], item[1] 34 print "-------- " 35 36 # 寻找不合群的词 37 y4 = model.doesnt_match(u"书 书籍 教材 很".split()) 38 print u"不合群的词：", y4 39 print "-------- " 40 41 # 保存模型，以便重用 42 model.save(u"书评.model") 43 # 对应的加载方式 44 # model_2 = word2vec.Word2Vec.load("text8.model") 45 46 # 以一种C语言可以解析的形式存储词向量 47 model.save_word2vec_format(u"书评.model.bin", binary=True) 48 # 对应的加载方式 49 # model_3 = word2vec.Word2Vec.load_word2vec_format("text8.model.bin", binary=True) 50 51 if __name__ == "__main__": 52 pass
运行结果
1 【不错】和【好】的相似度为： 0.790186663972 2 -------- 3 4 和【书】最相关的词有： 5 6 书籍 0.675163209438 7 书本 0.633386790752 8 确实 0.568059504032 9 教材 0.551493048668 10 正品 0.532882153988 11 没得说 0.529319941998 12 好 0.522468209267 13 据说 0.51004421711 14 图书 0.508755385876 15 挺 0.497194319963 16 新书 0.494331330061 17 很 0.490583062172 18 不错 0.476392805576 19 正版 0.460161447525 20 纸张 0.454929769039 21 可惜 0.450752496719 22 工具书 0.449723362923 23 的确 0.448629021645 24 商品 0.444284260273 25 纸质 0.443040698767 26 -------- 27 28 书-不错，质量- 29 精美 0.507958948612 30 总的来说 0.496103972197 31 材质 0.493623793125 32 -------- 33 34 不合群的词： 很
参考资料
【python gensim使用】word2vec词向量处理英文语料：
http://blog.csdn.net/churximi/article/details/51472203
深度学习：使用 word2vec 和 gensim：
http://www.open-open.com/lib/view/open1420687622546.html