Python中gensim庫word2vec的使用
阿新 • • 發佈:2019-02-18
Python中gensim庫word2vec的使用:
pip install gensim安裝好庫後,即可匯入使用:
1、訓練模型定義
from gensim.models import Word2Vec
model = Word2Vec(sentences, sg=1, size=100, window=5, min_count=5, negative=3, sample=0.001, hs=1, workers=4)
引數解釋:
0.sentences是訓練所需預料,可通過以下方式進行載入
sentences=word2vec.Text8Corpus(file)
此處訓練集的格式為英文文字或分好詞的中文文字
1.sg=1是skip-gram演算法,對低頻詞敏感;預設sg=0為CBOW演算法。
2.size是輸出詞向量的維數,值太小會導致詞對映因為衝突而影響結果,值太大則會耗記憶體並使演算法計算變慢,一般值取為100到200之間。
3.window是句子中當前詞與目標詞之間的最大距離,3表示在目標詞前看3-b個詞,後面看b個詞(b在0-3之間隨機)。
4.min_count是對詞進行過濾,頻率小於min-count的單詞則會被忽視,預設值為5。
5.negative和sample可根據訓練結果進行微調,sample表示更高頻率的詞被隨機下采樣到所設定的閾值,預設值為1e-3。
6.hs=1表示層級softmax將會被使用,預設hs=0且negative不為0,則負取樣將會被選擇使用。
7.workers控制訓練的並行,此引數只有在安裝了Cpython後才有效,否則只能使用單核。
詳細引數說明可檢視word2vec原始碼。
2、訓練後的模型儲存與載入
model.save(fname)
model = Word2Vec.load(fname)
3、模型使用(詞語相似度計算等)
model.most_similar(positive=['woman', 'king'], negative=['man']) #輸出[('queen', 0.50882536), ...] model.doesnt_match("breakfast cereal dinner lunch".split()) #輸出'cereal' model.similarity('woman', 'man') #輸出0.73723527 model['computer'] # raw numpy vector of a word #輸出array([-0.00449447, -0.00310097, 0.02421786, ...], dtype=float32)