word2vec (四) 动手训练一个词向量空间

开源的word2vec工具已经有不少了，可以直接使用google开源的C版本，也可以用gensim版本的。这里我就用gensim的word2vec来训练一个词向量空间。

训练语料输入

gensim word2vec的API接受一系列的句子作为输入语料，其中每一个句子是一系列词构成的list。如下所示

import gensim

sentences = [['ios','android'],['apple','google','xiaomi']]

model = gensim.models.Word2Vec(sentences)

将语料都转换为一个python的list作为输入是很方便，但是如果输入的语料特别大，大到内存都装不下，就不能采用这种方式。gensim的API并不要求sentences必须是list对象，只要输入的sentences是iterable的就行，那我们只要一次载入一个句子，训练完之后再将其丢弃，内存就不会因为语料过大而不够了。我们通过下面的代码就可以生成一个iterator。事先已经将训练语料分词，词与词之间采用空格分开，并保存在一个文档里。

class sentences_generator():
    def __init__(self, filename):
        self.filename = filename

    def __iter__(self):
        for line in open(self.filename):
            sentence = line.rstrip().split(' ')
            yield sentence

其实用一个函数也可以生成一个迭代器，只不过函数生成的迭代器迭代一轮就失效了，而这里需要迭代多轮。第一轮统计词频，用于生成哈夫曼树。后续用于训练，因此封装成一个类。

训练

准备好语料以后就可以开始训练了，示例代码如下

sentences = sentences_generator('corpus_words.dat')

model = gensim.models.Word2Vec(sentences, size=200, workers=4)

备注：采用的语料是在知乎上抓取的100个topic下的问题，在文末会给出原始语料与分词后语料的网盘地址，感兴趣的可以下载玩玩。

gensim.models.Word2Vec() 有一系列的参数，常用的如下

• size 定义词向量的维度，默认是100
• alpha 初始的学习率，随着训练的进行，逐渐减少至0
• window 扫描句子的窗口大小，默认值为5
• min_count 过滤掉一些低频词，如果一个词在整个语料库里出现的次数小于min_count，在训练的时候就不考虑这个词。
• max_vocab_size 限制一下词汇表的数量，避免太多词占用太多内存，默认为None
• workers 训练模型的线程
• sg 训练采用的算法，sg=0 采用CBOW，sg=1采用skip-gram
• hs 为1的时候采用hierarchical softmax，如果为0且negative也非0，则采用negative sampling方案
• negative negative sampling的词数，通常是5-20
• cbow_mean 0或1。如果为0，则隐层为输入层的SUM，为1隐层为输入层向量的均值。
• iter 迭代遍历语料库的次数，默认值为5

其中，worker参数仅在安装了Cython是有用的，没有Cython由于python的GIL的原因只能用单核。

保存与加载模型

训练好以后可以保存模型用于以后使用。代码如下

model.save('w2v_model')

new_model = gensim.models.Word2Vec.load('w2v_model')

看看效果

可以看看基于那些比较少的语料训练出来的效果如何

查看了与’ios’和’av’比较相似的词，结果看起来还挺有意思的

语料

原始语料 http://pan.baidu.com/s/1nviuFc1

训练语料 http://pan.baidu.com/s/1kVEmNTd