【转】python-word2vec模块使用详解

缺乏、安全感 2022-10-07 07:48 183阅读 0赞

# 安装 #

安装方法：`pip install --upgrade gensim`  
安装分词：`pip install jieba`

# 中文训练预料处理 #

首先去网上下载一本小书，然后将其另存为`utf-8`格式  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3ZpbmNlbnRfZHVhbg_size_16_color_FFFFFF_t_70]  
文本文件准备好，现在开始用python对此txt文档进行处理。

from gensim.models import word2vec
    import os
    import gensim
    from word2vec import model_train
    import jieba
    
    
    # 此函数作用是对初始语料进行分词处理后，作为训练模型的语料
    def cut_txt(old_file):
        global cut_file  # 分词之后保存的文件名
        cut_file = old_file + '_cut.txt'
    
        try:
            fi = open(old_file, 'r', encoding='utf-8')
        except BaseException as e:  # 因BaseException是所有错误的基类，用它可以获得所有错误类型
            print(Exception, ":", e)  # 追踪错误详细信息
    
        text = fi.read()  # 获取文本内容
        new_text = jieba.cut(text, cut_all=False)  # 精确模式
        str_out = ' '.join(new_text).replace('，', '').replace('。', '').replace('？', '').replace('！', '') \
            .replace('“', '').replace('”', '').replace('：', '').replace('…', '').replace('（', '').replace('）', '') \
            .replace('—', '').replace('《', '').replace('》', '').replace('、', '').replace('‘', '') \
            .replace('’', '')  # 去掉标点符号
        fo = open(cut_file, 'w', encoding='utf-8')
        fo.write(str_out)

注意open中必须指明编码方式，否则就会报错；上面的函数若要单独运行，须要更改old\_file变量为原文件名。

# 模型训练 #

准备好训练语料（注意训练语料文件越大越好，越大最后的训练效果越好），之后就开始写训练模型了，训练模型的代码如下所示：

from gensim.models import word2vec
    import gensim
    import logging
    
    
    def model_train(train_file_name, save_model_file):  # model_file_name为训练语料的路径,save_model为保存模型名
        # 模型训练，生成词向量
        logging.basicConfig(format='%(asctime)s : %(levelname)s : %(message)s', level=logging.INFO)
        sentences = word2vec.Text8Corpus(train_file_name)  # 加载语料
        model = gensim.models.Word2Vec(sentences, size=200)  # 训练skip-gram模型; 默认window=5
        model.save(save_model_file)
        model.wv.save_word2vec_format(save_model_file + ".bin", binary=True)  # 以二进制类型保存模型以便重用

参数说明：

model=gensim.models.Word2Vec(sentences,sg=1,size=100,window=5,min_count=2,negative=3,sample=0.001,hs=1,workers=4)
    
    #该步骤也可分解为以下三步（但没必要）：
    #model=gensim.model.Word2Vec() 建立一个空的模型对象
    #model.build_vocab(sentences) 遍历一次语料库建立词典
    #model.train(sentences) 第二次遍历语料库建立神经网络模型
    
    #sg=1是skip—gram算法，对低频词敏感，默认sg=0为CBOW算法
    #size是神经网络层数，值太大则会耗内存并使算法计算变慢，一般值取为100到200之间。
    #window是句子中当前词与目标词之间的最大距离，3表示在目标词前看3-b个词，后面看b个词（b在0-3之间随机）
    #min_count是对词进行过滤，频率小于min-count的单词则会被忽视，默认值为5。
    #negative和sample可根据训练结果进行微调，sample表示更高频率的词被随机下采样到所设置的阈值，默认值为1e-3,
    #negative: 如果>0,则会采用negativesamping，用于设置多少个noise words
    #hs=1表示层级softmax将会被使用，默认hs=0且negative不为0，则负采样将会被选择使用。
    #workers是线程数，此参数只有在安装了Cpython后才有效，否则只能使用单核

我们并不需要全部了解，大部分参数都可以使用其默认值（不输入），而其中比较重要的有：

# min_count，是去除小于min_count的单词
    # size，神经网络层数
    # sg， 算法选择
    # window， 句子中当前词与目标词之间的最大距离
    # workers，线程数

训练后的模型用普通方式和二进制方式进行保存，以便下次直接使用，避免每次训练耗费大量时间。

# word2vec模型调用 #

两个功能都以函数方式实现了，现在准备编写主函数代码，在主函数中负责调用各个方法实现预处理和模型训练，以此做后面的相关计算。

# if not os.path.exists(cut_file): # 判断文件是否存在，参考：https://www.cnblogs.com/jhao/p/7243043.html
    cut_txt('倚天屠龙记.txt')  # 须注意文件必须先另存为utf-8编码格式
    
    save_model_name = '倚天屠龙记.model'
    if not os.path.exists(save_model_name):  # 判断文件是否存在
        model_train(cut_file, save_model_name)
    else:
        print('此训练模型已经存在，不用再次训练')
    
    # 加载已训练好的模型
    model_1 = word2vec.Word2Vec.load(save_model_name)
    # 计算两个词的相似度/相关程度
    word_1 = "金毛狮"
    word_2 = "谢逊"
    y1 = model_1.similarity(word_1, word_2)
    print(word_1, "和", word_2, "的相似度为：", y1)
    print("-------------------------------\n")
    
    # 计算某个词的相关词列表
    word_3 = "张无忌"
    y2 = model_1.most_similar(word_3, topn=10)  # 10个最相关的
    print(u"和", word_3, "最相关的词有：\n")
    for item in y2:
        print(item[0], item[1])
    print("-------------------------------\n")
    
    # 某个词的词向量
    print(model_1['张无忌'])

最后的运行结果如下所示：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3ZpbmNlbnRfZHVhbg_size_16_color_FFFFFF_t_70 1]  
最终的结果一定程序上还是取决于分词的准确率，使用jieba分词时可以针对性的加入用户自定义词典（jieba.load\_userdict(“userDict.txt”) \# 加载用户自定义词典），可以提高对人名，地名等未登陆词的识别效果，提高分词性能。

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3ZpbmNlbnRfZHVhbg_size_16_color_FFFFFF_t_70]: /images/20221005/1a20e25e3aba484e8df161488b018b1b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3ZpbmNlbnRfZHVhbg_size_16_color_FFFFFF_t_70 1]: /images/20221005/07c78c761a42422d97d0118c3b5f14bd.png