使用自己的语料训练word2vec模型

一、 准备环境和语料：

• 新闻20w+篇（格式：标题。正文）

【新闻可以自己从各大新闻网站爬取，也可以下载开源的新闻数据集，如

• 互联网语料库(SogouT)
• 中文文本分类数据集THUCNews
• 李荣陆英文文本分类语料
• 谭松波中文文本分类语料
• 等

• 结巴分词
• word2vec

二、分词

先对新闻文本进行分词，使用的是结巴分词工具，将分词后的文本保存在seg201708.txt，以备后期使用。

安装jieba工具包：pip install jieba

# -*- coding: utf-8 -*-
import jieba
import io
# 加载自己的自己的金融词库
jieba.load_userdict("financialWords.txt")

def main():
    with io.open('news201708.txt','r',encoding='utf-8') as content:
        for line in content:
            seg_list = jieba.cut(line)
#           print '/'.join(seg_list)
            with io.open('seg201708.txt', 'a', encoding='utf-8') as output:
                output.write(' '.join(seg_list))
            
if __name__ == '__main__':
    main()

三、训练word2vec模型

使用python的gensim包进行训练。

安装gemsim包：pip install gemsim

from gensim.models import word2vec

def main():

    num_features = 300    # Word vector dimensionality
    min_word_count = 10   # Minimum word count
    num_workers = 16       # Number of threads to run in parallel
    context = 10          # Context window size
    downsampling = 1e-3   # Downsample setting for frequent words
    sentences = word2vec.Text8Corpus("seg201708.txt")

    model = word2vec.Word2Vec(sentences, workers=num_workers, \
            size=num_features, min_count = min_word_count, \
            window = context, sg = 1, sample = downsampling)
    model.init_sims(replace=True)
    # 保存模型，供日後使用
    model.save("model201708")
    
    # 可以在加载模型之后使用另外的句子来进一步训练模型
    # model = gensim.models.Word2Vec.load('/tmp/mymodel')
    # model.train(more_sentences)

if __name__ == "__main__":
    main()

• 参数说明

• 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
• 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

四、word2vec应用

model = Word2Vec.load('model201708')      #模型讀取方式
model.most_similar(positive=['woman', 'king'], negative=['man']) #根据给定的条件推断相似词
model.doesnt_match("breakfast cereal dinner lunch".split()) #寻找离群词
model.similarity('woman', 'man') #计算两个单词的相似度
model['computer'] #获取单词的词向量