【转】Gensim库详解

一、gensim介绍

 gensim是一款强大的自然语言处理工具，里面包括N多常见模型：

基本的语料处理工具

• - LSI
• - LDA
• - HDP
• - DTM
• - DIM
• - TF-IDF
• - word2vec、paragraph2vec

二、训练模型

1、训练

#encoding=utf-8
from gensim.models import word2vec

# 参数：fname（分词后的评论）, max_sentence_length=10000
sentences = word2vec.Text8Corpus(posfile)
# 训练模型，参数：sentences=（训练语料）, size=100, alpha=0.025, window=5, min_count=5,
model = word2vec.Word2Vec(sentences)
display(sentences,model)
Out:



'''测试语料库里任意2个词的相似度'''
model.similarity("好", "good")
Out:
0.40164128

model.similarity("好", "不好")
Out:
-0.016563576

'''参数，默认positive：positive=None, negative=None, topn=10,'''
for i in model.most_similar(positive="安装"):
    print(i[0], i[1])
Out:
态度 0.6743848323822021
认真 0.5968624353408813
专业 0.5922791957855225
热情 0.5888502597808838
按装 0.5870505571365356
装 0.5850194692611694
配送 0.580833911895752
送货 0.5788726210594177
热心 0.5785735249519348
到货 0.5727808475494385

txt文件是已经分好词的5W条评论，训练模型只需一句话：

model=word2vec.Word2Vec(sentences,min_count=5,size=50)

第一个参数是训练语料，第二个参数是小于该数的单词会被剔除，默认值为5,
第三个参数是神经网络的隐藏层单元数，默认为100
.

2、模型导出

model.save('word2vec_wx')

word2vec.save即可导出文件，这边没有导出为.bin
.

3、模型导入

model = gensim.models.Word2Vec.load('xxx/word2vec_wx')
pd.Series(model.most_similar(u'微信',topn = 360000))

gensim.models.Word2Vec.load的办法导入

其中的Numpy,可以用numpy.load：

import numpy
word_2x = numpy.load('xxx/word2vec_wx.wv.syn0.npy')

还有其他的导入方式：

from gensim.models.keyedvectors import KeyedVectors
word_vectors = KeyedVectors.load_word2vec_format('/tmp/vectors.txt', binary=False)  # C text format
word_vectors = KeyedVectors.load_word2vec_format('/tmp/vectors.bin', binary=True)  # C binary format

导入txt格式+bin格式。
.

4、增量训练

model = gensim.models.Word2Vec.load('/tmp/mymodel')
model.train(more_sentences)

不能对C生成的模型进行再训练.
.

---

三、gensim训练好的word2vec使用

1、相似性

持数种单词相似度任务:
相似词+相似系数（model.most_similar）、model.doesnt_match、model.similarity（两两相似）

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')
.73723527

2、词向量

通过以下方式来得到单词的向量:

model['computer']  # raw NumPy vector of a word
array([-0.00449447, -0.00310097,  0.02421786, ...], dtype=float32)

 

案例一：800万微信语料训练

来源于：【不可思议的Word2Vec】 2.训练好的模型

训练过程：

import gensim, logging
logging.basicConfig(format='%(asctime)s : %(levelname)s : %(message)s', level=logging.INFO)

import pymongo
import hashlib

db = pymongo.MongoClient('172.16.0.101').weixin.text_articles_words
md5 = lambda s: hashlib.md5(s).hexdigest()
class sentences:
    def __iter__(self):
        texts_set = set()
        for a in db.find(no_cursor_timeout=True):
            if md5(a['text'].encode('utf-8')) in texts_set:
                continue
            else:
                texts_set.add(md5(a['text'].encode('utf-8')))
                yield a['words']
        print u'最终计算了%s篇文章'%len(texts_set)

word2vec = gensim.models.word2vec.Word2Vec(sentences(), size=256, window=10, min_count=64, sg=1, hs=1, iter=10, workers=25)
word2vec.save('word2vec_wx')

这里引入hashlib.md5是为了对文章进行去重（本来1000万篇文章，去重后得到800万），而这个步骤不是必要的。