Word2vec使用手册

引言

Google开源的Word2vec是自然语言处理领域里面，比较好用的工具。这篇博客主要就是介绍如何在一些开源工具中使用这套工具。官方网址：传送门

安装

Gensim开发了一套工具箱叫做gensim，里面继承了Word2vec方法。
因此安装方法就是：

pip install --upgrade gensim

Note：依赖环境

Python >= 2.6
NumPy >= 1.3
SciPy >= 0.7

准备输入

gensim的word2vec希望能以句子列表作为输入，每个句子由一系列的单词构成：

# import modules & set up loggingimport gensim, logginglogging.basicConfig(format='%(asctime)s : %(levelname)s : %(message)s', level=logging.INFO)sentences = [['first', 'sentence'], ['second', 'sentence']]# train word2vec on the two sentencesmodel = gensim.models.Word2Vec(sentences, min_count=1)

上面代码中的sentences使用的是python的内置列表结构，这个方法是方便快捷的，但是在面对巨大的语料库的时候，这个列表结构就会占用大量的RAM。因此我们采用yield这个迭代生成器。可以从输入文件中逐行处理：

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 iteratormodel = gensim.models.Word2Vec(sentences)

训练

Word2vec接受一些参数来调整训练速度与训练质量，主要有以下三种参数：

• 第一个是剪枝，参数是min_count，这个参数是去除小于min_count的单词：

  model = Word2Vec(sentences, min_count=10)  # default value is 5

• 第二个是神经网络层数，参数是size，这个参数一般需要根据训练数据来调整大小：

  model = Word2Vec(sentences, size=200)  # default value is 100

• 最后一个是线程数，参数是workers，这个则是根据你的电脑处理器配置来设置的：

  model = Word2Vec(sentences, workers=4) # default = 1 worker = no parallelization

评价

Word2vec的训练是无监督任务，因此你想要进行准确的评估是不太可行的，这种方法主要依赖于你的终端应用。也就是我们常说的具体问题具体分析。Google开放了两万个语法语义测试样本：传送门
gensim也支持这种格式的测试样本，调用方法如下：

model.accuracy('/tmp/questions-words.txt')

存储及加载模型

gensim可以将训练好的模型存储起来，也能加载存储好的模型：

model.save('/tmp/mymodel')new_model = gensim.models.Word2Vec.load('/tmp/mymodel')

gensim也能以二进制或非二进制形式将模型存储为txt文本：

model = Word2Vec.load_word2vec_format('/tmp/vectors.txt', binary=False)# using gzipped/bz2 input works too, no need to unzip:model = Word2Vec.load_word2vec_format('/tmp/vectors.bin.gz', binary=True)

Note：由于以txt文本存储的模型并没有保留训练模型某些重要参数，导致加载该模型时，无法在原先训练好的模型上继续学习。

使用模型

这个模型的应用主要就是相似性分析：

model.most_similar(positive=['woman', 'king'], negative=['man'], topn=1)[('queen', 0.50882536)]model.doesnt_match("breakfast cereal dinner lunch";.split())'cereal'model.similarity('woman', 'man')0.73723527

总结

这个方法调用起来还是挺简单的，如果对Word2vec的理论做进一步了解，还需要看一些论文，后期会总结，待续。