from gensim.models import Word2Vec, word2vec
from gensim.test.utils import common_texts, get_tmpfile
sentences = word2vec.LineSentence('sourceSegDone.txt')
path = get_tmpfile('result.model')
model = Word2Vec(sentences, size=200, window=5, min_count=1)
for key in model.wv.similar_by_word('专业', topn =20):
print(key)
- sentences 第一个参数是预处理后的训练语料库,是可迭代列表,但是对于较大的语料库,可以考虑直接从磁盘/网络传输句子的迭代。
- List item sg=1是skip-gram算法,对低频词敏感;默认sg=0为CBOW算法。
- sg=1是skip-gram算法,对低频词敏感;默认sg=0为CBOW算法。
- size(int)是输出词向量的维数,默认值是100。这个维度的取值与我们的语料的大小相关,比如小于100M的文本语料,则使用默认值一般就可以了。如果是超大的语料,建议增大维度。值太小会导致词映射因为冲突而影响结果,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,不过见的比较多的也有300维的。
- window(int)是一个句子中当前单词和预测单词之间的最大距离,window越大,则和某一词较远的词也会产生上下文关系。默认值为5。windows越大所需要枚举的预测此越多,计算的时间越长。
- min_count 忽略所有频率低于此值的单词。默认值为5。 workers表示训练词向量时使用的线程数,默认是当前运行机器的处理器核数。
- 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。
- 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。