标签：
相关内容链接： 第一节：Google Word2vec 学习手札
昨天好不容易试用了一下Google自己提供的Word2Vector的源代码，花了好长时间训练数据，结果发现似乎Python并不能直接使用，于是上网找了一下Python能用的Word2Vector，这么一找，就找到了gensim
gensim（应该要翻墙）：
http://radimrehurek.com/gensim/models/word2vec.html
gensim有一些依赖，首先请先确保你安装了这些东西：
Python >= 2.6. Tested with versions 2.6, 2.7, 3.3, 3.4 and 3.5. Support for Python 2.5 was discontinued starting gensim 0.10.0; if you must use Python 2.5, install gensim 0.9.1.
NumPy >= 1.3. Tested with version 1.9.0, 1.7.1, 1.7.0, 1.6.2, 1.6.1rc2, 1.5.0rc1, 1.4.0, 1.3.0, 1.3.0rc2.
SciPy >= 0.7. Tested with version 0.14.0, 0.12.0, 0.11.0, 0.10.1, 0.9.0, 0.8.0, 0.8.0b1, 0.7.1, 0.7.0.还有一点特别注意的是，保证你的系统有C的编译器，不然速度会很慢，其实你可以首先编译一下Google官方的C语言版的试试，然后在安装gensim，gensim的word2vector用了官方的代码
根据官网的安装指南，有两种方法可以选择：
使用easy_install 或者pip，注意这两者可能都需要sudo申请更高的权限
easy_install -U gensim
或者（这个相对于官网的，我修改过，实测我的没问题）
pip install --upgrade --ignore-installed six gensim我使用了第二种方式进行的安装，如果这些依赖没有安装的，可以安装python和相关的工具后，直接使用pip或easy_install安装。
在进行模型训练的时候，如果不安装Cython，无法进行多线程训练，速度很瘦影响，所以接着安装下Cython
pip install cython1、训练模型：
如果所有安装配置工作都已经做好了，那么可以开始使用gensim了。这里的语料库使用我之前博客里面已经分好词的corpus-seg.txt语料库。这里在完成模型训练后，将他存到一个文件中，这样下次就可以直接使用了。
博客链接： Google Word2vec 学习手札
# coding:utf-8
import sys
reload(sys)
sys.setdefaultencoding( "utf-8" )
from gensim.models import Word2Vec
import logging,gensim,os
class TextLoader(object):
def __init__(self):
pass
def __iter__(self):
input = open(‘corpus-seg.txt‘,‘r‘)
line = str(input.readline())
counter = 0
while line!=None and len(line) > 4:
#print line
segments = line.split(‘ ‘)
yield segments
line = str(input.readline())
sentences = TextLoader()
model = gensim.models.Word2Vec(sentences, workers=8)
model.save(‘word2vector2.model‘)
print ‘ok‘这里的文件加载用了自己的代码，当然也可以使用自带的Line Sentence,之所以贴出上面的代码是因为，如果你的文件格式比较特殊可以参照上面的代码进行处理。
# coding:utf-8
import sys
reload(sys)
sys.setdefaultencoding( "utf-8" )
from gensim.models import Word2Vec
import logging,gensim,os
#模型的加载
model = Word2Vec.load(‘word2vector.model‘)
#比较两个词语的相似度,越高越好
print(‘"唐山" 和 "中国" 的相似度:‘+ str(model.similarity(‘唐山‘,‘中国‘)))
print(‘"中国" 和 "祖国" 的相似度:‘+ str(model.similarity(‘祖国‘,‘中国‘)))
print(‘"中国" 和 "中国" 的相似度:‘+ str(model.similarity(‘中国‘,‘中国‘)))
#使用一些词语来限定,分为正向和负向的
result = model.most_similar(positive=[‘中国‘, ‘城市‘], negative=[‘学生‘])
print(‘同"中国"与"城市"二词接近,但是与"学生"不接近的词有:‘)
for item in result:
print(‘ "‘+item[0]+‘" 相似度:‘+str(item[1]))
result = model.most_similar(positive=[‘男人‘,‘权利‘], negative=[‘女人‘])
print(‘同"男人"和"权利"接近,但是与"女人"不接近的词有:‘)
for item in result:
print(‘ "‘+item[0]+‘" 相似度:‘+str(item[1]))
result = model.most_similar(positive=[‘女人‘,‘法律‘], negative=[‘男人‘])
print(‘同"女人"和"法律"接近,但是与"男人"不接近的词有:‘)
for item in result:
print(‘ "‘+item[0]+‘" 相似度:‘+str(item[1]))
#从一堆词里面找到不匹配的
print("老师 学生 上课 校长 , 有哪个是不匹配的? word2vec结果说是:"+model.doesnt_match("老师 学生 上课 校长".split()))
print("汽车 火车 单车 相机 , 有哪个是不匹配的? word2vec结果说是:"+model.doesnt_match("汽车 火车 单车 相机".split()))
print("大米 白色 蓝色 绿色 红色 , 有哪个是不匹配的? word2vec结果说是:"+model.doesnt_match("大米 白色 蓝色 绿色 红色 ".split()))
#直接查看某个词的向量
print(‘中国的特征向量是:‘)
print(model[‘中国‘])
这里给出一个我的运行结果：
/System/Library/Frameworks/Python.framework/Versions/2.7/bin/python2.7 /Users/MebiuW/Documents/Doing/Bot/word2vector/model_loader.py
"唐山" 和 "中国" 的相似度:0.1720725224
"中国" 和 "祖国" 的相似度:0.456236474841
"中国" 和 "中国" 的相似度:1.0
同"中国"与"城市"二词接近,但是与"学生"不接近的词有:
"全球" 相似度:0.60819453001
"亚洲" 相似度:0.588450014591
"我国" 相似度:0.545840501785
"世界" 相似度:0.540009200573
"名城" 相似度:0.518879711628
"硅谷" 相似度:0.517688155174
"长三角" 相似度:0.512072384357
"国内" 相似度:0.511703968048
"全国" 相似度:0.507433652878
"国际" 相似度:0.505781650543
同"男人"和"权利"接近,但是与"女人"不接近的词有:
"权益" 相似度:0.67150759697
"隐私权" 相似度:0.666741013527
"选举权" 相似度:0.626420497894
"财产权" 相似度:0.617758154869
"利益" 相似度:0.610122740269
"义务" 相似度:0.608267366886
"尊严" 相似度:0.605125784874
"继承权" 相似度:0.603345394135
"法律" 相似度:0.596215546131
"优先权" 相似度:0.59428691864
同"女人"和"法律"接近,但是与"男人"不接近的词有:
"劳动法" 相似度:0.652353703976
"司法" 相似度:0.652238130569
"婚姻法" 相似度:0.631354928017
"民法" 相似度:0.624598622322
"法规" 相似度:0.623348236084
"刑法" 相似度:0.611774325371
"国际法" 相似度:0.608191132545
"诉讼" 相似度:0.607495307922
"ＲＥＡＣＨ" 相似度:0.599701464176
"强制力" 相似度:0.597045660019
老师 学生 上课 校长 , 有哪个是不匹配的? word2vec结果说是:上课
汽车 火车 单车 相机 , 有哪个是不匹配的? word2vec结果说是:相机
大米 白色 蓝色 绿色 红色 , 有哪个是不匹配的? word2vec结果说是:大米
中国的特征向量是:
[-0.08299727 -3.58397388 -0.55335367 1.4152931 3.94189262 -2.03232622
1.31824613 -1.75067747 -1.66100371 -1.70273054 -3.47409034 2.70463562
-0.87696695 -2.53364205 -2.12181163 -7.60758495 -0.6421982 2.9187181
1.38164878 -0.05457138 1.02129567 1.64029694 0.21894537 -0.82295948
3.30296516 -0.65931851 1.39501953 0.71423614 2.0213325 2.97903037
1.46234405 -0.30748805 2.45258284 -0.51123774 -1.84140313 -0.92091084
-4.28990364 4.0552578 -2.01020265 0.85769647 -4.6681509 -2.88254309
-1.80714786 0.52874494 3.31922817 0.43049669 -3.03839922 -1.20092583
2.75143361 0.99246925 0.41537657 -0.78819919 1.28469515 0.12056304
-4.54702759 -1.36031103 0.35673267 -0.36477017 -3.63630986 -0.21103215
2.16747832 -0.47925043 -0.63043374 -2.25911093 -1.47486925 4.2380085
-0.22334123 3.2125628 0.91901672 0.66508955 -2.80306172 3.42943978
2.26001453 5.24837303 -4.0164156 -3.28324246 4.40493822 -0.14068756
-4.31880903 1.98531461 0.2576215 -2.69446373 0.59171939 -0.48250189
-0.67274201 1.96152794 -2.83031917 0.54468328 2.57930231 -1.44152164
-0.61808151 1.03311574 -3.48526216 -2.35903311 -3.9816277 -0.93071622
2.77195001 1.8912288 -3.45096016 4.93347549]
Process finished with exit code 0
目前这个手札只是介绍几本的安装和使用，更多的工作将会在后续博客中写入。
ValueError: numpy.dtype has the wrong size, try recompiling ：
http://stackoverflow.com/questions/17709641/valueerror-numpy-dtype-has-the-wrong-size-try-recompiling
1、官方教程：http://radimrehurek.com/gensim/models/word2vec.html
1.1 官方教程翻译版：http://blog.csdn.net/Star_Bob/article/details/47808499
2、word2vec词向量处理英文语料 ：http://blog.csdn.net/churximi/article/details/51472203
3、 Google Word2vec 学习手札 ：http://blog.csdn.net/mebiuw/article/details/52295138
Python版的Word2Vector -- gensim 学习手札 中文词语相似性度量
标签：
原文地址：http://blog.csdn.net/mebiuw/article/details/52303622
