word2vec代码实战

1 代码及数据集下载

代码链接：https://github.com/ttb1534/word2vec-include-datapreprocess
数据集链接：https://pan.baidu.com/s/1RHhHp8Y5_Y0AjYQ5Oa0CTA（密码1534）

 

下载的代码及数据如下：

datasave/cutdata0.txt（cutdata_prepare.txt，作者事先处理好的）：预处理后的数据
datasave/word_embedding.txt（word_embedding_pretrained.txt，作者事先训练好的）：训练好的词嵌入

dataset/news.txt ：为所用原始数据集，取自真实的新闻报道
dataset/cn_stopwords.txt ：为需要去除的停顿词

dataprocess.py ：数据预处理，得到cutdata0.txt
train.py ：训练，得到word_embedding.txt
test.py ：测试

2 数据预处理

       将原始文本数据进行分词，去除停顿词（停顿词是语言中经常出现的单词，不包含太多有用信息，甚至在后续处理中对数据产生干扰）。执行dataprocess.py，得到如下预处理数据：

3 训练

       将数据进行训练，执行train.py，我的显卡是GTX1650S，大约训练了5个多小时，结果如下，词嵌入维度是100的。

4 测试

       上述训练得到的词嵌入编码可以用到需要词嵌入的场合，例如文本匹配。作者给出的测试，即输入一个中文词语，输出和给定词在词嵌入空间最为接近的一些词，执行test.py。