gensim函数库的Word2Vec的参数说明

今天在重新学习Word2vec，发现对很多参数理解不够透彻，所以针对gensim函数库训练Word2Vec模型有很多配置参数说明进行记录，以方便后期学习。

class gensim.models.word2vec.Word2Vec(sentences=None,size=100,alpha=0.025,window=5, min_count=5,max_vocab_size=None, sample=0.001,seed=1, workers=3,min_alpha=0.0001, sg=0, hs=0, negative=5, cbow_mean=1,hashfxn=<built-in function hash>,iter=5,null_word=0, trim_rule=None, sorted_vocab=1, batch_words=10000)

参数：

1.sentences：可以是一个List，对于大语料集，建议使用BrownCorpus,Text8Corpus或·ineSentence构建。

2.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。

3.size：是指输出的词的向量维数，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。

4.window：为训练的窗口大小，8表示每个词考虑前8个词与后8个词（实际代码中还有一个随机选窗口的过程，窗口大小<=5)，默认值为5。

5.alpha: 是学习速率

6.seed：用于随机数发生器。与初始化词向量有关。

7.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。

8.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。

9.sample: 表示 采样的阈值，如果一个词在训练样本中出现的频率越大，那么就越会被采样。默认为1e-3，范围是(0,1e-5)

10.workers:参数控制训练的并行数。

11.hs: 是否使用HS方法，0表示不使用，1表示使用 。默认为0

12.negative: 如果>0,则会采用negativesamp·ing，用于设置多少个noise words

13.cbow_mean: 如果为0，则采用上下文词向量的和，如果为1（default）则采用均值。只有使用CBOW的时候才起作用。

14.hashfxn： hash函数来初始化权重。默认使用python的hash函数

15.iter： 迭代次数，默认为5。

16.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。

17.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。

18.batch_words：每一批的传递给线程的单词的数量，默认为10000