Gensim进阶教程
来源:互联网 发布:报纸排版软件 adobe 编辑:程序博客网 时间:2024/06/04 18:35
转自:http://www.cnblogs.com/iloveai/p/gensim_tutorial2.html
Gensim进阶教程:训练word2vec与doc2vec模型
本篇博客是Gensim的进阶教程,主要介绍用于词向量建模的word2vec模型和用于长文本向量建模的doc2vec模型在Gensim中的实现。
Word2vec
Word2vec并不是一个模型——它其实是2013年Mikolov开源的一款用于计算词向量的工具。关于Word2vec更多的原理性的介绍,可以参见我的另一篇博客:word2vec前世今生
在Gensim中实现word2vec模型非常简单。首先,我们需要将原始的训练语料转化成一个sentence的迭代器;每一次迭代返回的sentence是一个word(utf8格式)的列表:
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
接下来,我们用这个迭代器作为输入,构造一个Gensim内建的word2vec模型的对象(即将原始的one-hot向量转化为word2vec向量):
model = gensim.models.Word2Vec(sentences)
如此,便完成了一个word2vec模型的训练。
我们也可以指定模型训练的参数,例如采用的模型(Skip-gram或是CBoW);负采样的个数;embedding向量的维度等。具体的参数列表在这里
同样,我们也可以通过调用save()
和load()
方法完成word2vec模型的持久化。此外,word2vec对象也支持原始bin文件格式的读写。
Word2vec对象还支持online learning。我们可以将更多的训练数据传递给一个已经训练好的word2vec对象,继续更新模型的参数:
model = gensim.models.Word2Vec.load('/tmp/mymodel')model.train(more_sentences)
若要查看某一个word对应的word2vec向量,可以将这个word作为索引传递给训练好的模型对象:
model['computer'] # raw NumPy vector of a word
Doc2vec
Doc2vec是Mikolov在word2vec基础上提出的另一个用于计算长文本向量的工具。它的工作原理与word2vec极为相似——只是将长文本作为一个特殊的token id引入训练语料中。在Gensim中,doc2vec也是继承于word2vec的一个子类。因此,无论是API的参数接口还是调用文本向量的方式,doc2vec与word2vec都极为相似。
主要的区别是在对输入数据的预处理上。Doc2vec接受一个由LabeledSentence对象组成的迭代器作为其构造函数的输入参数。其中,LabeledSentence是Gensim内建的一个类,它接受两个List作为其初始化的参数:word list和label list。
from gensim.models.doc2vec import LabeledSentencesentence = LabeledSentence(words=[u'some', u'words', u'here'], tags=[u'SENT_1'])
类似地,可以构造一个迭代器对象,将原始的训练数据文本转化成LabeledSentence对象:
class LabeledLineSentence(object): def __init__(self, filename): self.filename = filename def __iter__(self): for uid, line in enumerate(open(filename)): yield LabeledSentence(words=line.split(), labels=['SENT_%s' % uid])
准备好训练数据,模型的训练便只是一行命令:
from gensim.models import Doc2Vecmodel = Doc2Vec(dm=1, size=100, window=5, negative=5, hs=0, min_count=2, workers=4)
该代码将同时训练word和sentence label的语义向量。如果我们只想训练label向量,可以传入参数train_words=False
以固定词向量参数。更多参数的含义可以参见这里的API文档。
注意,在目前版本的doc2vec实现中,每一个Sentence vector都是常驻内存的。因此,模型训练所需的内存大小同训练语料的大小正相关。
- Gensim进阶教程
- Gensim进阶教程:训练word2vec与doc2vec模型
- Gensim Word2vec 使用教程
- gensim 教程 -Part1
- Gensim Word2vec 使用教程
- Gensim Word2vec 使用教程
- 【gensim中文教程】开始使用gensim
- win64-bit安装gensim教程
- GENSIM
- GENSIM
- gensim
- Gensim官方教程翻译(一)——快速入门
- GloVe 教程之实战入门+python gensim 词向量
- Gensim官方教程翻译——快速入门
- JAVA初学教程进阶
- WTK进阶使用教程
- JAVA初学教程进阶
- Android高手进阶教程
- Android相对布局
- 前端面试题-基础理论汇总
- 简单计算几何+卡精度 New Year Table CodeForces
- Android二布局
- Android TextView的一些特殊用法
- Gensim进阶教程
- Appium(三):python appium包中webdriver源码查看方法
- 跟我一起写 Makefile(一)
- cloudify的基础总结
- POJ
- TensorFlow搭建和IDE
- boost学习之noncopyable
- 线程interrupt方法
- 《Android开发艺术探索》——笔记(一)