词向量技术原理及应用详解（四）——词向量训练

前文理论介绍完毕，接下来进入实战环节。实践中向量化应用的场景常有不同，但向量文本化的训练和使用方式大同小异。在这里我将采用两种方法：gensim库以及tensorflow来完成词向量实战训练。

一、word2vec之gensim工具包实现

1、gensim工具包中详细参数：

在gensim中，word2vec相关的API都在包gensim.models.word2vec中。和算

法有关的参数都在类gensim.models.word2vec.Word2Vec中。

算法需要注意的参数有：

 1) sentences: 我们要分析的语料，可以是一个列表，或者从文件中遍历读出。

 2) size: 词向量的维度，默认值是100。这个维度的取值一般与我们的语料的大小相关，如果是不大的语料，比如小于100M的文本语料，则使用默认值一般就可以了。如果是超大的语料，建议增大维度。

 3) window：即词向量上下文最大距离，这个参数在我们的算法原理篇中标记为，window越大，则和某一词较远的词也会产生上下文关系。默认值为5。在实际使用中，可以根据实际的需求来动态调整这个window的大小。如果是小语料则这个值可以设的更小。对于一般的语料这个值推荐在[5,10]之间。

 4) sg: 即我们的word2vec两个模型的选择了。如果是0，则是CBOW模型，是1则是Skip-Gram模型，默认是0即CBOW模型。

 5) hs: 即我们的word2vec两个解法的选择了，如果是0， 则是Negative Sampling，是1的话并且负采样个数negative大于0， 则是Hierarchical Softmax。默认是0即Negative Sampling。

 6) negative:即使用Negative Sampling时负采样的个数，默认是5。推荐在[3,10]之间。这个参数在我们的算法原理篇中标记为neg。

 7) cbow_mean: 仅用于CBOW在做投影的时候，为0，则算法中的为上下文的词向量之和，为1则为上下文的词向量的平均值。在我们的原理篇中，是按照词向量的平均值来描述的。个人比较喜欢用平均值来表示,默认值也是1,不推荐修改默认值。

 8) min_count:需要计算词向量的最小词频。这个值可以去掉一些很生僻的低频词，默认是5。如果是小语料，可以调低这个值。

 9) iter: 随机梯度下降法中迭代的最大次数，默认是5。对于大语料，可以增大这个值。

 10) alpha: 在随机梯度下降法中迭代的初始步长。算法原理篇中标记为，默认是0.025。

 11) min_alpha: 由于算法支持在迭代的过程中逐渐减小步长，min_alpha给出了最小的迭代步长值。随机梯度下降中每轮的迭代步长可以由iter，alpha， min_alpha一起得出。这部分由于不是word2vec算法的核心内容，因此在原理篇我们没有提到。对于大语料，需要对alpha, min_alpha,iter一起调参，来选择合适的三个值。

 12)worker：训练词向量使用时使用的线程数，默认为3。

2、Word2vec训练词向量 gensim(从数据库中读取数据)

从pg数据库中读取数据，进行分词，并把分词结果存入txt文档，调用gensim包训练词向量代码

 

代码如下：

import jieba
import re
from gensim.models import word2vec
import psycopg2

读取停用词：

jieba.load_userdict("data\jiebauserdict.txt")
stop_words = []
with open("data\stop_words.txt", "r", encoding="utf-8") as f_reader:
    for line in f_reader:
        line = line.replace("\r","").replace("\n","").strip()
        stop_words.append(line)
print(len(stop_words))
stop_words = set(stop_words)
print(len(stop_words))

读取数据库进行分词并保存到txt文档中：

# rules = u"[\u4e00-\u9fa5]+"
# pattern = re.compile(rules)
f_writer = open("data\分词后的文本.txt", "w", encoding="utf-8")
def get_dataset():#读数据库文本详情，并输出切分词数组。
    #读取库中数据，mbm case set是表名
    conn = psycopg2.connect(database='***',user='***', password='***', host='***', port='***')
    cur = conn.cursor()
    cur.execute("SQL语句 ")
    data = cur.fetchall()#80000
    print('length',len(data),type(data))
    sentence=[]
    for i in range(len(data)):
        # line = line.replace("\r", "").replace("\n", "").strip()
        if data[i][0]!=None:#空字段
            if len(data[i][0])>20:#去除无效描述
                # print(data[i][0])
                text=jieba.lcut(data[i][0])
                # print(str(text))
                # seg_list = pattern.findall(text)
                word_list = []
                for word in text:
                    if word not in stop_words:
                        word_list.append(word)
                if len(word_list) > 0:
                    sentence.append(word_list)
                    line = " ".join(word_list)
                    line = line.replace("\r", "").replace("\n", "").strip()
                    f_writer.write(line + "\n")
                    f_writer.flush()
    f_writer.close()
    # print(sentence[:10])
    print('total length is ',len(sentence))
    return sentence

训练word2vec并保存模型，这里的sentences的实例格式如下，是一个列表里嵌套列表，训练的是词语的向量。如果只是一个列表，如['1','2',...'6']，则是训练字符的向量。

[['中国篮协', '全运', '抵津', '10', '全运村', '姚明', '篮球场', '三座', '开幕式', '入住', '多天', '奔波', '已有', '主席', '之间'], ['天津', '篮球馆', '财大', '地谈', '饶有兴致', '姚明', '全运会', '融入', '亮点', '最有', '看法', '群众', '昨天', '本次', '进来', '能够', '觉得', '地方'], ['天津', '中国篮协', '篮球比赛', '全运会', '非常感谢', '委会', '场馆', '篮球', '方方面面', '运动会', '承办', '大力支持', '委派', '总局', '一员', '市委', '市政府', '比赛', '一项', '各个'], ['城市', '美丽', '津城', '感受', '天津', '全运', '赛得', '多次', '这次', '姚明', '领略到', '之前', '教练员', '文化', '到访', '非常', '浓烈', '体育', '运动员', '这座'], ['群众性', '全运会', '盛会', '体育', '全运', '姚明', '奖牌', '项目', '社会', '一个', '融入', '运动员', '荣誉', '本届', '不该', '引入', '兴趣', '比赛', '做到', '天津'], ['教练员', '段时间', '运动员', '很多', '生活', '篮协', '天津', '官员', '姚明', '全运会', '赞不绝口', '我们', '场馆', '非常', '夸赞', '非常高兴', '发言权', '志愿者', '奔波', '工作'], ['中国篮球', '篮球', '天津', '故乡', '篮球馆', '1891', '漂洋过海', '姚明', '最出色', '毋庸置疑', '文化遗产', '中国', '迄今为止', '作为', '发源地', '上岸', '运动员', '室内', '传入', '诞生'], ['挖掘', '故事', '越来越', '重新', '希望', '未来', '历史', '出来', '工作', '这样', '可以', '我们', '人工智能', '人工智障', '大数据', '马云', '阿里巴巴', '共享单车', '滴滴']]

def train(sentences):
    print("开始训练")
    model = word2vec.Word2Vec(sentences = sentences, size = 200, window = 5)
    model.save("model\word2vec_news.model")
    print("训练完成")

if __name__ == '__main__':
    content = get_dataset()
    train(content)

 

使用Gensim简单一点，参数可以设置。用了35万训练文本。检测模型训练后的效果，可以根据词的相似度进行判断训练的效果：                           

import gensim
import pandas as pd
model = gensim.models.Word2Vec.load('model\word2vec_news.model')

result = pd.Series(model.most_similar(u'漏水'))
print(result)

                                                                  

可见，词向量训练的结果还是不错的。这个可以看作是word2vec的求近义词，也可以看成利用word2vec聚类

附：一个在线测试的网站，貌似是一位清华教授做的：http://cikuapi.com/index.php

二、word2vec之tensorflow实现

后期补上