NLP知识点汇总（一）

开篇：

       从事NLP方向的工作也有一年了，前前后后也学到了很多东西，但是就是没有整理过，现在从原理和应用的方面将所有知识总结方便复习管理。

一、word2vec

　  word2vec可以说得上是NLP的一个里程碑。将每个单词离散表示，既解决了one-hot的巨大维度，也解决了one-hot的部分语义问题。论文只是说明了有cbow和skim两个原理，分别对应着窗口大小内，环境词对中间词的预测与中间词对环境词的预测。算法角度说明的比较少，想从论文彻底了解比较困难。现有一位大神研究gensim的word2vec源码，从数学原理，有一篇博客解释的很好。现转载如下：

     转载： https://www.cnblogs.com/peghoty/p/3857839.html 

如何使用？

from gensim.models.word2vec import Word2Vec 

sentences = [['A1'，'A2']，[]，[]，....] 
model= Word2Vec()
model.build_vocab(sentences)
model.train(sentences，total_examples = model.corpus_count，epochs = model.iter)

保存：

model.save('/tmp/MyModel')

追加加训练：

model = gensim.models.Word2Vec.load('/tmp/mymodel')
model.train(more_sentences)

加载：

model = gensim.models.Word2Vec.load('/tmp/mymodel')

获取词向量

print(model ['man'])
print(type(model ['man']))

输出：

[0.14116223 0.05663395 0.01500377 -0.03592452 ...] 
numpy.ndarray


计算一个词的最近似的词，倒排序

model.most_similar(['男人'])

输出：[（'女'，0.7664012908935547），
 （ '男孩'，0.6824870109558105），
 （ '青少年'，0.6586930155754089），
 （ '女孩'，0.5921714305877686），
 （ '强盗'，0.5585119128227234），
 （ '男'，0.5489763021469116），
 （'人'，0.5420035719871521），
 （ '人'，0.5342026352882385），
 （ '绅士'，0.5337990522384644），
 （ '摩托车手'，0.5336882472038269）]

 

计算两词之间的余弦相似度

word2vec一个很大的亮点：支持词语的加减运算（实际中可能只有少数例子比较符合）

model.most_similar(positive = ['woman','king'],negative = ['man'],topn = 2)

输出：[（'王后'，0.7118192911148071）,（'君主'，0.6189675331115723）]

---

model.similarity('女人', '男人')

输出：0.7664012234410319



计算两个集合之间的余弦似度

当出现某个词语不在这个训练集合中的时候，会报错！

list1 = ['我'，'走'，'我'，'学校'] 
list2 = ['我'，'去'，'家'] 
list_sim1 = model.n_similarity（list1，list2）
print（list_sim1）

输出：0.772446878519