python实现gensim.word2vec模型训练实例

word2vec在NLP领域的运用比较多，最近看了网上的例子觉得挺有意思的，就自己动手实践了一下。

简单总结：

所谓的word vector，就是指将单词向量化，将某个单词用特定的向量来表示。将单词转化成对应的向量以后，就可以将其应用于各种机器学习的算法中去。一般来讲，词向量主要有两种形式，分别是稀疏向量和密集向量。

所谓稀疏向量，又称为one-hot representation，就是用一个很长的向量来表示一个词，向量的长度为词典的大小N，向量的分量只有一个1，其他全为0，1的位置对应该词在词典中的索引[1]。举例来说，如果有一个词典[“面条”,”方便面”,”狮子”]，那么“面条”对应的词向量就是[1,0,0]，“方便面”对应的词向量就是[0,1,0]。这种表示方法不需要繁琐的计算，简单易得，但是缺点也不少，比如长度过长（这会引发维数灾难），以及无法体现出近义词之间的关系，比如“面条”和“方便面”显然有非常紧密的关系，但转化成向量[1,0,0]和[0,1,0]以后，就看不出两者有什么关系了,因为这两个向量相互正交。当然了，用这种稀疏向量求和来表示文档向量效果还不错，清华的长文本分类工具THUCTC使用的就是此种表示方法

至于密集向量，又称distributed representation，即分布式表示。最早由Hinton提出，可以克服one-hot representation的上述缺点，基本思路是通过训练将每个词映射成一个固定长度的短向量，所有这些向量就构成一个词向量空间，每一个向量可视为该空间上的一个点[1]。此时向量长度可以自由选择，与词典规模无关。这是非常大的优势。还是用之前的例子[“面条”,”方便面”,”狮子”]，经过训练后，“面条”对应的向量可能是[1,0,1,1,0],而“方便面”对应的可能是[1,0,1,0,0]，而“狮子”对应的可能是[0,1,0,0,1]。这样“面条”向量乘“方便面”=2，而“面条”向量乘“狮子”=0 。这样就体现出面条与方便面之间的关系更加紧密，而与狮子就没什么关系了。这种表示方式更精准的表现出近义词之间的关系，比之稀疏向量优势很明显。可以说这是深度学习在NLP领域的第一个运用（虽然我觉得并没深到哪里去）

回过头来看word2vec，其实word2vec做的事情很简单，大致来说，就是构建了一个多层神经网络，然后在给定文本中获取对应的输入和输出，在训练过程中不断修正神经网络中的参数，最后得到词向量。

训练模型主要步骤包括：

第一节：读取文件

import jieba,re,os
from gensim.models import word2vec
import logging
#jieba.load_userdict("data\\userdict.txt")
logging.basicConfig(format='%(asctime)s : %(levelname)s : %(message)s', level=logging.INFO,filename='test_01.log')
filename = 'test_01.txt' #测试文本
pre,ext = os.path.splitext(filename) #输入文件分开前缀，后缀 pre=test_01 ext=.txt
corpus = pre + '_seg' + ext #训练语料为按行分词后的文本文件 corpus=test_01_seg.txt
fin = open(filename,encoding='utf8').read().strip(' ').strip('\n').replace('\n\n','\n') #strip()取出首位空格，和换行符，用\n替换\n\n
stopwords = set(open('test_01停用词.txt',encoding='utf8').read().strip('\n').split('\n')) #读入停用词

对日志处理，logging.basiConfig函数的各个参数可以参考：

1. logging.basicConfig函数各参数:  
2. filename: 指定日志文件名  
3. filemode: 和file函数意义相同，指定日志文件的打开模式，&＃8217;w&＃8217;或&＃8217;a&＃8217;  
4. format: 指定输出的格式和内容，format可以输出很多有用信息，如上例所示:  
5.  %(levelno)s: 打印日志级别的数值  
6.  %(levelname)s: 打印日志级别名称  
7.  %(pathname)s: 打印当前执行程序的路径，其实就是sys.argv[0]  
8.  %(filename)s: 打印当前执行程序名  
9.  %(funcName)s: 打印日志的当前函数  
10.  %(lineno)d: 打印日志的当前行号  
11.  %(asctime)s: 打印日志的时间  
12.  %(thread)d: 打印线程ID  
13.  %(threadName)s: 打印线程名称  
14.  %(process)d: 打印进程ID  
15.  %(message)s: 打印日志信息  
16. datefmt: 指定时间格式，同time.strftime()  
17. level: 设置日志级别，默认为logging.WARNING  
18. stream: 指定将日志的输出流，可以指定输出到sys.stderr,sys.stdout或者文件，默认输出到sys.stderr，当stream和filename同时指定时，stream被忽略 

第二：分词，将训练文本中的词做处理，不能包含停用词中的词，以及长度少于等于1的词，去标点，

所谓停用词，就是出现频率太高的词，如逗号，句号等等，以至于没有区分度。

text = ' '.join([x for x in jieba.lcut(fin) if x not in stopwords and len(x)>1 and x != '\n']) #去掉停用词中的词，去掉长度小于等于1的词
print(text)
results = re.sub('[（）：:？“”《》，。！·、\d ]+',' ',text) #去标点
open(corpus,'w+',encoding='utf8').write(results) #按行分词后存为训练语料

第三：用预处理好的语料 训练模型

#3.训练模型
sentences = word2vec.LineSentence(corpus) # 加载语料,LineSentence用于处理分行分词语料
#sentences1 = word2vec.Text8Corpus(corpus) #用来处理按文本分词语料
#print('=--=-=-=-=-=',sentences)
model = word2vec.Word2Vec(sentences, size=12,window=25,min_count=2,workers=5,sg=1,hs=1) #训练模型就这一句话 去掉出现频率小于2的词
# http://blog.csdn.net/szlcw1/article/details/52751314 训练skip-gram模型; 第一个参数是训练预料，min_count是小于该数的单词会被踢出，默认值为5，size是神经网络的隐藏层单元数，在保存的model.txt中会显示size维的向量值。默认是100。默认window=5

第四：保存模型

# 4保存模型，以便重用
model.save("test_01.model") #保存模型
model.wv.save_word2vec_format('test_01.model.txt','test_01.vocab.txt',binary=False) # 将模型保存成文本，model.wv.save_word2vec_format()来进行模型的保存的话，会生成一个模型文件。里边存放着模型中所有词的词向量。这个文件中有多少行模型中就有多少个词向量。

第五：加载模型，验证模型

#5词向量验证
#加载训练好的模型
model = word2vec.Word2Vec.load("test_01.model") #加载训练好的语料模型
# 计算两个词的相似度/相关程度
# role1 = ['大圣','悟空','齐天大圣','师兄','老孙','行者','孙行者','孙悟空']
# role2 = ['天蓬','猪悟能','老猪','八戒','猪八戒','呆子']
role1 = ['天地','万物','一元']
role2 = ['天地','百岁']
pairs = [(x,y) for x in role1 for y in role2]


print(pairs) #[('天地', '天地'), ('天地', '百岁'), ('万物', '天地'), ('万物', '百岁'), ('一元', '天地'), ('一元', '百岁')]
#pairs = [('观音','猪悟能'),('观音','天蓬'),('观音','八戒'),('呆子','八戒'),('天蓬','嫦娥'),('天蓬','大圣'),('天蓬','卷帘'),('八戒','姐姐')]
for pair in pairs:
print("> [%s]和[%s]的相似度为：" % (pair[0],pair[1]), model.similarity(pair[0], pair[1])) # 预测相似性

# 计算某个词的相关词列表
figures = ['如来','西天','观音','老君','师父','老孙','八戒','沙和尚','南天门','王母','天王']
for figure in figures:
print("> 和[%s]最相关的词有：\n" % figure, '\n'.join([x[0].ljust(4,'　')+str(x[1]) for x in model.most_similar(figure, topn=10)]),sep='') # 默认10个最相关


结果：

参考文章：

http://blog.csdn.net/u014595019/article/details/51884529

scikit-learn文本特征提取之TfidfVectorizer   ：

    http://blog.csdn.net/pipisorry/article/details/41957763

    http://blog.csdn.net/pipisorry/article/details/41957763