WordEmbedding之Word2Vector

1. 安装 gensim

source activate python362
conda install -n python362 gensim

2. 实操

2.1 基本数据（语料）

语料文件可以一行一行，也可以使用分词后的空格分割的文本

(python362)  zjf@zhangjifeideMBP  ~/Downloads  cat ./tags
迷宫
养成
割草
卡通
3D
恶搞
古风
塔防迷宫
收集
教育
次世代
中国象棋
像素
精美
俄罗斯方块
剪影
坦克
反乌托邦
魔幻
街机

2.2 实例代码

# -*- coding: UTF-8 -*-

from gensim.models import word2vec
import logging

logging.basicConfig(format='%(asctime)s : %(levelname)s : %(message)s', level=logging.INFO)

sentences = word2vec.Text8Corpus("/Users/zjf/Downloads/tags")
model = word2vec.Word2Vec(sentences, min_count=0, size=10, window=5)

"""计算某个语料的词向量"""
say_vector = model[u'aa']
print say_vector

"""计算2个语料的相似度"""
say_similarity_a = model.similarity(u"3D", u"3D")
print say_similarity_a

"""遍历语料集合并写入文件"""
target_file = open('/Users/zjf/Downloads/tags_vector', 'w')
for key in sentences:
    for single_key in key:
        # print single_key
        say_vector = model[single_key]
        # print say_vector
        target_line = ('%s' + ',' + '%s') % (single_key, say_vector)
        print target_line
        # print('%s' + '\t' + '%s') % (single_key, say_vector)
        target_file.write(target_line.encode('utf-8'))
        target_file.write('\n')

"""计算最相似"""
most_similari = model.most_similar(u"斗地主")
print most_similari
for a in most_similari:
    for b in a:
        print b

3. 常见报错

3.1 ImportError: cannot import name ‘show_config’ [duplicate]
issue：https://stackoverflow.com/questions/38699494/importerror-cannot-import-name-show-config
适用于所有报错的工程
原因：工程中有自己编写的名为：numpy.py的文件，word2vec需要 numpy包下的文件，导致重名
解决：修改自己的文件名

3.2 raise RuntimeError(“you must first build vocabulary before training the model”) RuntimeError: you must first build vocabulary before training the model
min_count=x 是必加参数

4. 方法参数

·  sentences：可以是一个·ist，对于大语料集，建议使用BrownCorpus,Text8Corpus或·ineSentence构建。
·  sg： 用于设置训练算法，默认为0，对应CBOW算法；sg=1则采用skip-gram算法。
·  size：是指特征向量的维度，默认为100。大的size需要更多的训练数据,但是效果会更好. 推荐值为几十到几百。
·  window：表示当前词与预测词在一个句子中的最大距离是多少
·  alpha: 是学习速率
·  seed：用于随机数发生器。与初始化词向量有关。
·  min_count: 可以对字典做截断. 词频少于min_count次数的单词会被丢弃掉, 默认值为5
·  max_vocab_size: 设置词向量构建期间的RAM限制。如果所有独立单词个数超过这个，则就消除掉其中最不频繁的一个。每一千万个单词需要大约1GB的RAM。设置成None则没有限制。
·  sample: 高频词汇的随机降采样的配置阈值，默认为1e-3，范围是(0,1e-5)
·  workers参数控制训练的并行数。
·  hs: 如果为1则会采用hierarchica·softmax技巧。如果设置为0（defau·t），则negative sampling会被使用。
·  negative: 如果>0,则会采用negativesamp·ing，用于设置多少个noise words
·  cbow_mean: 如果为0，则采用上下文词向量的和，如果为1（defau·t）则采用均值。只有使用CBOW的时候才起作用。
·  hashfxn： hash函数来初始化权重。默认使用python的hash函数
·  iter： 迭代次数，默认为5
·  trim_rule： 用于设置词汇表的整理规则，指定那些单词要留下，哪些要被删除。可以设置为None（min_count会被使用）或者一个接受()并返回RU·E_DISCARD,uti·s.RU·E_KEEP或者uti·s.RU·E_DEFAU·T的函数。
·  sorted_vocab： 如果为1（defau·t），则在分配word index 的时候会先对单词基于频率降序排序。
·  batch_words：每一批的传递给线程的单词的数量，默认为10000

参考

https://github.com/tensorflow/tensorflow/blob/r1.10/tensorflow/examples/tutorials/word2vec/word2vec_basic.py https://github.com/tensorflow/models/tree/master/tutorials/embedding/word2vec.py