python-word2vec学习

一、数据预处理----sentence

sentences是训练所需材料，可通过两种格式载入：
1、文本格式：
将每篇文章 分词去停用词后，用空格分割，将其存入txt文本中（每一行一篇文章）

2、list嵌套格式
将每篇文章 分词去停用词后，存入list中。
即[ [第一篇文章分词结果] , [第二篇文章分词结果]， …] ，这里注意sentences 只是一个list，当其为文件的时候，不是这样引入文件的

from gensim.models import Word2Vec
sentences = [["粉", "砂锅土豆粉", "砂锅米线"], ["肉", "鸡腿", "炸鸡排"]]
model = Word2Vec(sentences, min_count=1)

 3、单个文件的导入

reviews = word2vec.LineSentence("dataset/totalFenci.txt")

4、目录下所有文件有效

方法一：

class MySentences(object):
    def __init__(self, dirname):
        self.dirname = dirname
 
    def __iter__(self):
        for fname in os.listdir(self.dirname):
            for line in open(os.path.join(self.dirname, fname)):
                yield line.split()
 
sentences = MySentences('/some/directory') # a memory-friendly iterator

model = gensim.models.Word2Vec(sentences)

方法二：

gensim.models.word2vec.PathLineSentences(source, max_sentence_length=10000, limit=None)

Bases: object 

Works like word2vec.LineSentence, but will process all files in a directory in alphabetical order by filename.

The directory can only contain files that can be read by LineSentence: .bz2, .gz, and text files. Any file not ending with .bz2 or .gz is assumed to be a text file. Does not work with subdirectories.

The format of files (either text, or compressed text files) in the path is one sentence = one line, with words already preprocessed and separated by whitespace.

Example:

sentences = PathLineSentences(path)

 The files in the directory should be either text files, .bz2 files, or .gz files.

作用同下一个类，对一个目录下的所有文件生效，对子目录无效

该路径下的文件 只有后缀为bz2，gz和text的文件可以被读取，其他的文件都会被认为是text文件

一个句子即一行，单词需要预先使用空格分隔

源处填写的必须是一个目录，务必保证该目录下的文件都能被该类读取。如果设置了读取限制，那么只读取限定的行数。

目录下的文件应该是如此种种。

二、模型生成和保存

model=gensim.models.Word2Vec(sentences,sg=1,size=100,window=5,min_count=2,negative=3,sample=0.001,hs=1,workers=4)
model.save("文本名") #模型会保存到该 .py文件同级目录下，该模型打开为乱码
#model.wv.save_word2vec_format("文件名"，binary = "Ture/False") #通过该方式保存的模型，能通过文本格式打开
#model = gensim.models.KeyedVectors.load_word2vec_format("dataset/dic/word2vector_bin.model", binary = True)

其中：sg=1是skip—gram算法，对低频词敏感，默认sg=0为CBOW算法

size是神经网络层数，值太大则会耗内存并使算法计算变慢，一般值取为100到200之间

window是句子中当前词与目标词之间的最大距离，3表示在目标词前看3-b个词，后面看b个词（b在0-3之间随机）

min_count是对词进行过滤，频率小于min-count的单词则会被忽视，默认值为5

negative和sample可根据训练结果进行微调，sample表示更高频率的词被随机下采样到所设置的阈值，默认值为1e-3

negative: 如果>0,则会采用negativesamping，用于设置多少个noise words

hs=1表示层级softmax将会被使用，默认hs=0且negative不为0，则负采样将会被选择使用

workers是线程数，此参数只有在安装了Cpython后才有效，否则只能使用单核

model.wv.save_word2vec_format() 也能通过设置binary是否保存为二进制文件。但该模型在保存时丢弃了树的保存形式（详情参加word2vec构建过程，以类似哈夫曼树的形式保存词），所以在后续不能对模型进行追加训练

三、模型的加载

# `.save`保存的模型的加载：
gensim.models.Word2Vec.load("模型文件名") 
#`..wv.save_word2vec_format`保存的模型的加载： 
model = model.wv.load_word2vec_format('模型文件名')

四、模型的追加训练

model.train(more_sentences)

如果对..wv.save_word2vec_format()加载的模型进行追加训练，会报错：
AttributeError: 'Word2VecKeyedVectors' object has no attribute 'train'，原因前面提及过了。

五、模型的输出

model = word2vec.Word2Vec.load("dataset/dic/word2vector.model")
similar_word = model.most_similar("喜欢", topn=10)
similarity_words = model.similarity("喜欢", "不错")

print("与喜爱相似的top-N的词：{}".format(similar_word))
print("喜爱 与 不错 两个词之间的相似度：{}".format(similarity_words))
print("model['很棒']：{}".format(model["很棒"]))