python word2vector计算相似度_基于word2vec的词语相似度计算

应用场景

假设你有一个商品的数据库，比如：

商品名称

价格

椅子

200元/个

香蕉

6元/斤

冰箱

2000元/台

现在通过用户的输入来检索商品的价格，最简单的方法就是通过字符串进行匹配，比如，

用户输入“椅子”，就用“椅子”作为关键字进行搜索，很容易找到椅子的价格就是200元/个。

但有时用户输入的是“凳子”，如果按照字符串匹配的方法，只能返回给用户，没有此商品。但实际上可以把“椅子”的结果返回给用户参考。这种泛化的能力，通过简单的字符串匹配是显然不能实现的。

词语相似度计算

在上面的例子中，“凳子”跟“椅子”的语意更相近，跟“香蕉”或“冰箱”的语意相对较远。在商品搜索的过程中，可以计算用户输入的关键字与数据库中商品名间的相似度，在商品数据库中找出相似度最大的商品，推荐给用户。这种相近的程度就是词语的相似度。在实际的工程开发中可以通过word2vec实现词语相似度的计算。

代码实现

from sklearn.datasets import fetch_20newsgroups

news = fetch_20newsgroups(subset='all')

X, y = news.data, news.target

from bs4 import BeautifulSoup

import nltk, re

# 把段落分解成由句子组成的list(每个句子又被分解成词语)

def news_to_sentences(news):

news_text = BeautifulSoup(news, 'lxml').get_text()

tokenizer = nltk.data.load('tokenizers/punkt/english.pickle')

raw_sentences = tokenizer.tokenize(news_text)

# 对每个句子进行处理，分解成词语

sentences = []

for sent in raw_sentences:

sentences.append(re.sub('[^a-zA-Z]', ' ', sent.lower().strip()).split())

return sentences

sentences = []

for x in X:

sentences += news_to_sentences(x)

# import numpy

# # 将预处理过的"词库"保存到文件中，便于调试

# numpy_array = numpy.array(sentences)

# numpy.save('sentences.npy', numpy_array)

#

# # 将预处理后的"词库"从文件中读出，便于调试

# numpy_array = numpy.load('sentences.npy')

# sentences = numpy_array.tolist()

num_features = 300

min_word_count = 20

num_workers = 2

context = 5

downsampling = 1e-3

from gensim.models import word2vec

model = word2vec.Word2Vec(sentences, workers=num_workers, size=num_features, min_count=min_word_count, window=context,

sample=downsampling)

model.init_sims(replace=True)

# 保存word2vec训练参数便于调试

# model.wv.save_word2vec_format('word2vec_model.bin', binary=True)

# model.wv.load_word2vec_format('word2vec_model.bin', binary=True)

print '词语相似度计算：'

print 'morning vs morning:'

print model.n_similarity('morning', 'morning')

print 'morning vs afternoon:'

print model.n_similarity('morning', 'afternoon')

print 'morning vs hello:'

print model.n_similarity('morning', 'hellow')

print 'morning vs shell:'

print model.n_similarity('morning', 'shell')

运行结果

/Users/liucaiquan/anaconda/bin/python /Users/liucaiquan/PycharmProjects/WordSimilarityCalculation/src/test.py

词语相似度计算：

morning vs morning:

1.0

morning vs afternoon:

0.871482091583

morning vs hello:

0.731609166442

morning vs shell:

0.709714434122

调试技巧

在开发调试的过程中，会出现错误，需要重新运行程序。如果每次修改后，都从头开始执行，肯定会消耗很多无用的时间。比如，预处理后的文本结果和word2vec的训练参数，这些中间结果可以保持下来，当遇到问题时，就可以从文件中读取结果，而不需要每次都从头开始。

源码下载地址

代码参考

《Python机器学习及实践：从零开始通往Kaggle竞赛之路》