调用Gensim库训练Word2Vec模型

一、前期工作：

1. 安装Gensim库

pip install gensim

2.安装chardet库 

pip install chardet

 

3. 对原始语料分词

选择《人民的名义》的小说原文作为语料，先采用jieba进行分词

import jieba
import jieba.analyse
import chardet
jieba.suggest_freq('沙瑞金', True)  # 加入一些词，使得jieba分词准确率更高
jieba.suggest_freq('田国富', True)
jieba.suggest_freq('高育良', True)
jieba.suggest_freq('侯亮平', True)
jieba.suggest_freq('钟小艾', True)
jieba.suggest_freq('陈岩石', True)
jieba.suggest_freq('欧阳菁', True)
jieba.suggest_freq('易学习', True)
jieba.suggest_freq('王大路', True)
jieba.suggest_freq('蔡成功', True)
jieba.suggest_freq('孙连城', True)
jieba.suggest_freq('季昌明', True)
jieba.suggest_freq('丁义珍', True)
jieba.suggest_freq('郑西坡', True)
jieba.suggest_freq('赵东来', True)
jieba.suggest_freq('高小琴', True)
jieba.suggest_freq('赵瑞龙', True)
jieba.suggest_freq('林华华', True)
jieba.suggest_freq('陆亦可', True)
jieba.suggest_freq('刘新建', True)
jieba.suggest_freq('刘庆祝', True)
jieba.suggest_freq('赵德汉', True)
 
result_cut = []
with open('./in_the_name_of_people.txt', 'rb') as f:
    raw_data = f.read()
    encoding = chardet.detect(raw_data)['encoding']
    lines = raw_data.decode(encoding).splitlines()
    for line in lines:
        result_cut.append(list(jieba.cut(line)))
 
# 在这里处理分词结果result_cut
 
# 不需要再调用 f.close()，因为使用了 with 语句会自动关闭文件

# 添加自定义停用词
stopwords_list = ["，","。","\n","\u3000"," ","：","！","？","…"]
 
def remove_stopwords(ls):  # 去除停用词
    return [word for word in ls if word not in stopwords_list]
 
result_stop=[remove_stopwords(x) for x in result_cut if remove_stopwords(x)]

从文本数据中移除停用词，停用词是在文本分析中通常需要被排除的词，如标点符号、空格等，因为它们对于意义的分析通常没有贡献。

print(result_stop[100:103])

二、训练Word2Vec模型 

from gensim.models import Word2Vec
 
model = Word2Vec(result_stop,     # 用于训练的语料数据
                 vector_size=100, # 是指特征向量的维度，默认为100。
                 window=5,        # 一个句子中当前单词和被预测单词的最大距离。
                 min_count=1)   # 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。

三、模型应用

1.计算词汇相似度

我们可以使用similarity()方法计算两个词汇之间的余弦相似度。

# 计算两个词的相似度
print(model.wv.similarity('沙瑞金', '季昌明'))
print(model.wv.similarity('沙瑞金', '田国富'))

 

# 选出最相似的5个词
for e in model.wv.most_similar(positive=['沙瑞金'], topn=5):
    print(e[0], e[1])

这段代码是使用词向量模型（通常是Word2Vec或类似的模型）来找出与给定词（在这个例子中是“沙瑞金”）最相似的5个词。这是自然语言处理（NLP）领域常见的一种做法，用于寻找语义上相近的词。下面是这段代码的逐步解释：

1. 词向量模型 (model): 已经训练好的词向量模型存储在变量model中。词向量模型能够将词汇表中的每个词映射到一个向量空间中，这样语义相近的词就会在这个空间中彼此靠近。

2. 查找最相似的词 (model.wv.most_similar):

   • model.wv.most_similar(positive=['沙瑞金'], topn=5) 这行代码调用了模型的 most_similar 方法，用于查找与列表positive中的词语最相似的词。这里，positive参数是一个包含一个或多个词的列表，用于指定要寻找相似词的目标。在这个例子中，列表中只有一个词：“沙瑞金”。
   • topn=5 参数指定了需要返回的最相似词的数量。在这里，它被设置为5，意味着方法将返回与“沙瑞金”最相似的5个词。

3. 遍历和打印结果:

   • for e in model.wv.most_similar(positive=['沙瑞金'], topn=5): 这行代码遍历 most_similar 方法返回的结果。每个结果 e 是一个元组，其中包含一个词和它与“沙瑞金”在语义上的相似度。
   • print(e[0], e[1]) 这行代码打印每个元组的第一个元素（相似的词）和第二个元素（与“沙瑞金”的相似度）。相似度是一个介于0和1之间的浮点数，数值越大表示相似度越高。

 

2. 找出不匹配的词汇

使用doesnt_match()方法，我们可以找到一组词汇中与其他词汇不匹配的词汇。

odd_word = model.wv.doesnt_match(["苹果", "香蕉", "橙子", "书"])
print(f"在这组词汇中不匹配的词汇：{odd_word}")

 

3. 计算词汇的词频

我们可以使用get_vecattr()方法获取词汇的词频。

word_frequency = model.wv.get_vecattr("沙瑞金", "count")
print(f"沙瑞金：{word_frequency}")