Python版的Word2Vec -- gensim 学习手札 中文词语相似性度量 V1.1

前言

相关内容链接： 第一节：Google Word2vec 学习手札 
昨天好不容易试用了一下Google自己提供的Word2Vector的源代码，花了好长时间训练数据，结果发现似乎Python并不能直接使用，于是上网找了一下python能用的Word2Vector，这么一找，就找到了gensim

gensim（应该要翻墙）： 
http://radimrehurek.com/gensim/models/word2vec.html

安装

gensim有一些依赖，首先请先确保你安装了这些东西：

Python >= 2.6. Tested with versions 2.6, 2.7, 3.3, 3.4 and 3.5. Support for Python 2.5 was discontinued starting gensim 0.10.0; if you must use Python 2.5, install gensim 0.9.1.NumPy >= 1.3. Tested with version 1.9.0, 1.7.1, 1.7.0, 1.6.2, 1.6.1rc2, 1.5.0rc1, 1.4.0, 1.3.0, 1.3.0rc2.SciPy >= 0.7. Tested with version 0.14.0, 0.12.0, 0.11.0, 0.10.1, 0.9.0, 0.8.0, 0.8.0b1, 0.7.1, 0.7.0.
1
2
3
4
5
1
2
3
4
5

还有一点特别注意的是，保证你的系统有C的编译器，不然速度会很慢，其实你可以首先编译一下Google官方的C语言版的试试，然后在安装gensim，gensim的word2vector用了官方的代码

根据官网的安装指南，有两种方法可以选择： 
使用easy_install 或者pip，注意这两者可能都需要sudo申请更高的权限

easy_install -U gensim或者（这个相对于官网的，我修改过，实测我的没问题）pip install --upgrade --ignore-installed six gensim
1
2
3
1
2
3

我使用了第二种方式进行的安装，如果这些依赖没有安装的，可以安装python和相关的工具后，直接使用pip或easy_install安装。

在进行模型训练的时候，如果不安装Cython，无法进行多线程训练，速度很瘦影响，所以接着安装下Cython

pip install cython
1
1

1、训练模型： 
如果所有安装配置工作都已经做好了，那么可以开始使用gensim了。这里的语料库使用我之前博客里面已经分好词的corpus-seg.txt语料库。这里在完成模型训练后，将他存到一个文件中，这样下次就可以直接使用了。

博客链接： Google Word2vec 学习手札

# coding:utf-8import sysreload(sys)sys.setdefaultencoding( "utf-8" )from gensim.models import Word2Vecimport logging,gensim,osclass TextLoader(object):    def __init__(self):        pass    def __iter__(self):        input = open('corpus-seg.txt','r')        line = str(input.readline())        counter = 0        while line!=None and len(line) > 4:            #print line            segments = line.split(' ')            yield  segments            line = str(input.readline())sentences = TextLoader()model = gensim.models.Word2Vec(sentences, workers=8)model.save('word2vector2.model')print 'ok'
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

这里的文件加载用了自己的代码，当然也可以使用自带的Line Sentence,之所以贴出上面的代码是因为，如果你的文件格式比较特殊可以参照上面的代码进行处理。

# coding:utf-8import sysreload(sys)sys.setdefaultencoding( "utf-8" )from gensim.models import Word2Vecimport logging,gensim,os#模型的加载model = Word2Vec.load('word2vector.model')#比较两个词语的相似度,越高越好print('"唐山" 和 "中国" 的相似度:'+ str(model.similarity('唐山','中国')))print('"中国" 和 "祖国" 的相似度:'+ str(model.similarity('祖国','中国')))print('"中国" 和 "中国" 的相似度:'+ str(model.similarity('中国','中国')))#使用一些词语来限定,分为正向和负向的result = model.most_similar(positive=['中国', '城市'], negative=['学生'])print('同"中国"与"城市"二词接近,但是与"学生"不接近的词有:')for item in result:    print('   "'+item[0]+'"  相似度:'+str(item[1]))result = model.most_similar(positive=['男人','权利'], negative=['女人'])print('同"男人"和"权利"接近,但是与"女人"不接近的词有:')for item in result:    print('   "'+item[0]+'"  相似度:'+str(item[1]))result = model.most_similar(positive=['女人','法律'], negative=['男人'])print('同"女人"和"法律"接近,但是与"男人"不接近的词有:')for item in result:    print('   "'+item[0]+'"  相似度:'+str(item[1]))#从一堆词里面找到不匹配的print("老师 学生 上课 校长 , 有哪个是不匹配的? word2vec结果说是:"+model.doesnt_match("老师 学生 上课 校长".split()))print("汽车 火车 单车 相机 , 有哪个是不匹配的? word2vec结果说是:"+model.doesnt_match("汽车 火车 单车 相机".split()))print("大米 白色 蓝色 绿色 红色 , 有哪个是不匹配的? word2vec结果说是:"+model.doesnt_match("大米 白色 蓝色 绿色 红色 ".split()))#直接查看某个词的向量print('中国的特征向量是:')print(model['中国'])
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37

这里给出一个我的运行结果：

/System/Library/Frameworks/Python.framework/Versions/2.7/bin/python2.7 /Users/MebiuW/Documents/Doing/Bot/word2vector/model_loader.py"唐山" 和 "中国" 的相似度:0.1720725224"中国" 和 "祖国" 的相似度:0.456236474841"中国" 和 "中国" 的相似度:1.0同"中国"与"城市"二词接近,但是与"学生"不接近的词有:   "全球"  相似度:0.60819453001   "亚洲"  相似度:0.588450014591   "我国"  相似度:0.545840501785   "世界"  相似度:0.540009200573   "名城"  相似度:0.518879711628   "硅谷"  相似度:0.517688155174   "长三角"  相似度:0.512072384357   "国内"  相似度:0.511703968048   "全国"  相似度:0.507433652878   "国际"  相似度:0.505781650543同"男人"和"权利"接近,但是与"女人"不接近的词有:   "权益"  相似度:0.67150759697   "隐私权"  相似度:0.666741013527   "选举权"  相似度:0.626420497894   "财产权"  相似度:0.617758154869   "利益"  相似度:0.610122740269   "义务"  相似度:0.608267366886   "尊严"  相似度:0.605125784874   "继承权"  相似度:0.603345394135   "法律"  相似度:0.596215546131   "优先权"  相似度:0.59428691864同"女人"和"法律"接近,但是与"男人"不接近的词有:   "劳动法"  相似度:0.652353703976   "司法"  相似度:0.652238130569   "婚姻法"  相似度:0.631354928017   "民法"  相似度:0.624598622322   "法规"  相似度:0.623348236084   "刑法"  相似度:0.611774325371   "国际法"  相似度:0.608191132545   "诉讼"  相似度:0.607495307922   "ＲＥＡＣＨ"  相似度:0.599701464176   "强制力"  相似度:0.597045660019老师 学生 上课 校长 , 有哪个是不匹配的? word2vec结果说是:上课汽车 火车 单车 相机 , 有哪个是不匹配的? word2vec结果说是:相机大米 白色 蓝色 绿色 红色 , 有哪个是不匹配的? word2vec结果说是:大米中国的特征向量是:[-0.08299727 -3.58397388 -0.55335367  1.4152931   3.94189262 -2.03232622  1.31824613 -1.75067747 -1.66100371 -1.70273054 -3.47409034  2.70463562 -0.87696695 -2.53364205 -2.12181163 -7.60758495 -0.6421982   2.9187181  1.38164878 -0.05457138  1.02129567  1.64029694  0.21894537 -0.82295948  3.30296516 -0.65931851  1.39501953  0.71423614  2.0213325   2.97903037  1.46234405 -0.30748805  2.45258284 -0.51123774 -1.84140313 -0.92091084 -4.28990364  4.0552578  -2.01020265  0.85769647 -4.6681509  -2.88254309 -1.80714786  0.52874494  3.31922817  0.43049669 -3.03839922 -1.20092583  2.75143361  0.99246925  0.41537657 -0.78819919  1.28469515  0.12056304 -4.54702759 -1.36031103  0.35673267 -0.36477017 -3.63630986 -0.21103215  2.16747832 -0.47925043 -0.63043374 -2.25911093 -1.47486925  4.2380085 -0.22334123  3.2125628   0.91901672  0.66508955 -2.80306172  3.42943978  2.26001453  5.24837303 -4.0164156  -3.28324246  4.40493822 -0.14068756 -4.31880903  1.98531461  0.2576215  -2.69446373  0.59171939 -0.48250189 -0.67274201  1.96152794 -2.83031917  0.54468328  2.57930231 -1.44152164 -0.61808151  1.03311574 -3.48526216 -2.35903311 -3.9816277  -0.93071622  2.77195001  1.8912288  -3.45096016  4.93347549]Process finished with exit code 0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61

2、语料库更新后模型的在线训练 
很多时候，当原有的语料库不符合要求，或者我们需要有更多语料加入到我们模型的时候，如果再重新训练模型，就显得十分的不合算了。 
其实在Gensim当中，提供了模型的在线训练，即我们可以增加新的语料到现有的模型中，而不用全部重新学习。

# coding:utf-8import sysreload(sys)sys.setdefaultencoding( "utf-8" )from gensim.models import Word2Vecimport logging,gensim,osfrom gensim.models.word2vec import LineSentence#提前加载model = Word2Vec.load('word2vector2.model')#新的语料库new_corpus = LineSentence('corpus/iphone6sreview-seg.txt')#训练新的语料model.train(new_corpus)#将其进行保存model.save('word2vector3.model')
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

这里主要分为加载原有的模型，导入新的语料库，训练新的语料库，最后保存，我已经在代码当中将其分解清楚

结语

目前这个手札只是介绍几本的安装和使用，更多的工作将会在后续博客中写入。 
转载请注明来自：mebiuw ，更多内容请关注我的新浪各位微博 @MebiuW

使用可能遇到的问题：

ValueError: numpy.dtype has the wrong size, try recompiling ： 
http://stackoverflow.com/questions/17709641/valueerror-numpy-dtype-has-the-wrong-size-try-recompiling

参考资料

1、官方教程：http://radimrehurek.com/gensim/models/word2vec.html 
1.1 官方教程翻译版：http://blog.csdn.net/Star_Bob/article/details/47808499 
2、word2vec词向量处理英文语料 ：http://blog.csdn.net/churximi/article/details/51472203 
3、 Google Word2vec 学习手札 ：http://blog.csdn.net/mebiuw/article/details/52295138

版本

2016.9.2 更新至 V1.1：

1. 修正语言表述
2. 增加Gensim模型的持续学习（扩充语料库）的介绍