windows下使用word2vec训练维基百科中文语料全攻略！（三

全文共1552个字，7张图，预计阅读时间8分钟。

训练一个聊天机器人的很重要的一步是词向量训练，无论是生成式聊天机器人还是检索式聊天机器人，都需要将文字转化为词向量，时下最火的词向量训练模型是word2vec，所以，今天小编文文带你使用维基百科训练词向量。

参数说明

上一步我们已经开始训练词向量，但是对于模型的参数并没有介绍，我们先来看一下源代码：

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)

参数含义如下（转自http://blog.csdn.net/szlcw1/article/details/52751314）： · 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

获取词向量

经过第6步，我们已经成功训练好了模型，并保存，想要测试训练的效果，我们首先要加载模型：

import gensim
model = gensim.models.Word2Vec.load('wiki.zh.text.model')

如何获取某个单词的词向量呢， 很简单，使用类似字典的方式即可：

print (model['计算机'])

由于我们在参数中设置的是将单词表示成500维的特征向量，所以输出是一个500维的向量

[ -5.21776974e-01  -1.24511528e+00   1.72550952e+00  -1.10107374e+00..............................................   1.48737788e-01   6.13833666e-01   1.45513227e-03   2.48806804e-01]

如果有的单词不存在字典中，会报错

报错

所以在获取单词的词向量前，最好加一个判断：

if '计算机' in model:
print (model['计算机'])else:    print ('单词不在字典中')

单词相似度计算

训练好的模型还可以计算单词之间的相似度，这里的相似度我理解的并不是同义词或者近义词，而是在给定的上下文中，最可能相互替换的词语。使用如下的方法获取一个单词的相似词语：

result = model.most_similar('计算机')for e in result:
print (e[0], e[1])

结果输出:

休斯敦 0.5665031671524048休士顿 0.5348116755485535洛杉矶 0.48812389373779297圣安东尼奥 0.4772784411907196杰克逊 0.4631540775299072奥斯汀 0.45239296555519104达拉斯 0.4364917278289795纽约 0.4348965883255005芝加哥 0.43324437737464905丹佛 0.43036091327667236

如何计算两个单词的相似度呢，使用如下的方法：

print (model.similarity('计算机','电脑'))

结果输出：

0.648130987661

模型还提供了一个方法，用于寻找离群词：

print (model.doesnt_match(u"早餐 晚餐 午餐 中心".split()))

结果输出

中心

我们还可以根据给定的条件推断相似词，比如下面的代码中，我们找到一个跟篮球最相关，跟计算机很不相关的第一个词：

print (model.most_similar(positive=['篮球'],negative=['计算机'],topn=1))

结果输出

[('棒球', 0.4819049835205078)]

原文链接：小小挖掘机 https://mp.weixin.qq.com/s/anW0zb9xZ1l7hxZsi_clVA