3分钟热情学NLP第5篇，Wrod2vec算法实战
参考文章：https://blog.csdn.net/qq_30189255/article/details/103049569
1、英文语料
本文采用的语料：
语料text8，保存在sentence中；text8有100mb大小；
text8的下载地址：http://mattmahoney.net/dc/text8.zip
text8语料，已经按照空格进行分词，去掉了标点符号，无需进行预处理
2、模型训练
采用python的gensim包实现word2vec
pip install gensim
输入：
from gensim.models import word2vec
#Gensim是一款开源的第三方Python工具包，用于从原始的非结构化的文本中，无监督地学习到文本隐层的主题向量表达。支持TF-IDF，LSA，LDA，和word2vec多种主题模型算法，
#将语料text8，保存在sentence中；text8有100mb大小；text8的下载地址：http://mattmahoney.net/dc/text8.zip
sentences = word2vec.Text8Corpus('text8')
#生成词向量空间模型
model = word2vec.Word2Vec(sentences, sg=1, size=100, window=5,min_count=5, negative=3, sample=0.001, hs=1, workers=4)
#命名模型，并保存模型；保存后，后续如果还需要用到该模型，就可以直接训练好的模型
model.save('text8_word2vec_model')
模型训练过程会比较久，在普通的mac pro上跑模型，大约花了15mins
3、模型加载
#进行模型加载
model = word2vec.Word2Vec.load('text8_word2vec_model')
4、计算2个词的相似度，使用similarity()
print('---计算2个词的相似度---')
word1 = 'man'
word2 = 'woman'
result1 = model.wv.similarity(word1, word2)
print(word1 + "和" + word2 + "的相似度为：",result1)
输出：
---计算2个词的相似度---
man和woman的相似度为： 0.6944872
5、计算某个词的关联词表，使用most_similar()
输入：
print('\n---计算1个词的关联列表---')
word = 'cat'
result2 = model.wv.most_similar(word, topn=10)#计算得出10个最相关的词
print( "和" + word +"相关的10个词为：")
for item in result2:
print(item[0], item[1])
输出：
---计算1个词的关联列表---
和cat相关的10个词为：
prionailurus 0.7491977214813232
cats 0.7341662049293518
dog 0.7332097887992859
dogs 0.7025191783905029
kitten 0.6987137794494629
rat 0.6867721676826477
eared 0.6866066455841064
felis 0.6811522245407104
pug 0.678561806678772
tortoiseshell 0.6764862537384033
借助翻译软件，看下与cat相关的词
prionailurus，豹猫属（学名 Prionailurus） 是猫科的一属，其体型与家猫大致相仿；kitten，小猫；eared，有耳的；
换1个词试试，看看 beijing 的相关词
---计算1个词的关联列表---
和beijing相关的10个词为：
guangzhou 0.7843025326728821
shanghai 0.7154852151870728
peking 0.6975410580635071
taipei 0.6882435083389282
hangzhou 0.6816953420639038
wuhan 0.6814815998077393
kaohsiung 0.6703094244003296
ribao 0.664854109287262
guangdong 0.6647670269012451
hong 0.6628706455230713
从上到下依次为：广州、上海、北京、台北、杭州、武汉、高雄、日报、广东、hong
最后1个词，hong 个人推测是hongkong
6、寻找与词对应关系，同样使用most_similar()
输入
print('\n---寻找词之间的对应关系---')
print('\n---寻找词之间的对应关系---')
print('"boy" is to "father" as "girl" to ?')
result3 = model.wv.most_similar(['girl', 'father'], ['boy'], topn=2)#计算得出2个对应的词
for item in result3:
print(item[0], item[1])
输出
---寻找词之间的对应关系---
"boy" is to "father" as "girl" to ?
mother 0.7658053040504456
wife 0.7323337197303772
more_examples = ["she her he", "small smaller bad", "going went being"]
for example in more_examples:
a, b, x = example.split()
predicted = model.wv.most_similar([x, b], [a])[0][0]
print("'%s' is to '%s' as '%s' is to '%s'" % (a, b, x, predicted))
'she' is to 'her' as 'he' is to 'his'
'small' is to 'smaller' as 'bad' is to 'worse'
'going' is to 'went' as 'being' is to 'was'
7、在一堆词中找出异类，使用doesnt_math()
输入
print('\n---在一堆词中，找茬---')
words = "apple cat banana peach"#从水果词汇中，找出动物词汇
result4 = model.wv.doesnt_match(words.split())
print("在 " + words + " 中，与众不同的词为：",result4)
输出
---在一堆词中，找茬---
在 apple cat banana peach 中，与众不同的词为： cat
8、查看词向量
输入
word = 'boy'
print(word, "\n", model.wv[word])
输出
boy
[-0.05925538 0.11277281 0.11228959 0.00941157 -0.29323277 0.3983824
0.10022594 -0.27772436 -0.0637489 0.21361585 -0.1111148 -0.07992619
0.19348109 -0.3863782 -0.39820215 -0.5309777 0.3023594 0.09559165
0.26342046 0.07928758 0.181699 0.69354516 0.06837065 -0.18296044
0.02820505 -0.2478618 0.02427425 0.05263022 0.4571287 -0.11103037
0.00101246 -0.27764824 -0.24569483 0.44549158 -0.21713312 0.5335748
0.14214468 0.11317527 0.19602373 0.2653484 -0.32859662 -0.38938046
0.25495887 -0.45625678 0.14457951 0.32262853 0.15038528 0.32194614
-0.08338999 -0.01091572 0.20316067 -0.74805576 -0.08273557 -0.59173554
-0.12938951 -0.2492775 0.16524307 0.14128453 -0.42496806 0.2531642
0.01175205 0.24926914 -0.20511891 -0.32925373 0.64965665 -0.2722091
0.7198772 -0.45331827 0.02247382 -0.44499233 0.46038678 0.099677
-0.03841541 0.22986875 0.24340023 -0.2364937 -0.22875474 -0.08419312
0.47897708 -0.2800826 0.36107522 -0.41507873 0.13201733 -0.61776733
0.08101977 -0.14693528 0.15443248 0.08642672 0.21798083 -0.30605313
0.09893245 -0.15973178 0.07892659 0.31995687 -0.07135762 0.46047646
-0.53847355 -0.00333725 -0.03253252 0.20049895]
boy，用100维向量的展示。
word2vec，模型训练后，保存了 个静态的表；后面在使用该模型时，直接使用即可。
9、增量训练
在使用词向量时，如果出现了未登录词，采用增量训练的方法
10，附，使用微信公众号的中文语料
本文使用的模型，来自于：
苏剑林. (Apr. 03, 2017). 《【不可思议的Word2Vec】 2.训练好的模型 》[Blog post]. Retrieved from https://spaces.ac.cn/archives/4304
感谢作者的分享！
10.1、查看相似词
import gensim
model = gensim.models.Word2Vec.load('word2vec_wx')
word = '公众号'
result = model.wv.most_similar(word, topn=10)
for item in result:
print(item[0], item[1])
输出
订阅号 0.7826967239379883
微信公众号 0.7606396675109863
微信公众账号 0.7348952293395996
公众平台 0.7161740064620972
扫一扫 0.6978365182876587
微信公众平台 0.6968472003936768
置顶 0.666775643825531
公共账号 0.6657419800758362
微信平台 0.6610353589057922
菜单栏 0.6523471474647522
10.2、查看词向量
word2 = '语言'
print(model.wv[word2])
输出256维的向量
[ 3.33861768e-01 1.73384026e-01 -4.85719703e-02 -1.83665797e-01
2.97123849e-01 2.50801265e-01 2.51928747e-01 -3.17050546e-01
1.52625665e-01 1.81541026e-01 1.79962456e-01 2.98898131e-01
-9.67884883e-02 -1.62156686e-01 6.51515201e-02 -1.08960688e-01
-7.70623609e-02 -2.79988974e-01 -9.49766021e-03 2.07269922e-01
3.30152921e-02 -1.23128854e-01 -5.47476672e-02 6.98662698e-02
-3.13813448e-01 -2.39523128e-01 -2.49424770e-01 8.21948871e-02
-2.28355274e-01 -1.54693067e-01 1.65754601e-01 -4.94239718e-01
1.17348902e-01 -7.47983456e-02 -4.48045224e-01 -1.86154351e-01
-1.74458280e-01 3.80349047e-02 1.14527017e-01 1.82628911e-02
4.37613158e-03 2.90892631e-01 -4.35760915e-02 -9.80213210e-02
7.60740787e-03 -1.29277661e-01 7.25271106e-02 1.96394786e-01
-2.30470344e-01 1.26821458e-01 -3.31954837e-01 -1.83349043e-01
2.70551860e-01 -1.47792444e-01 1.41586214e-01 -1.36383906e-01
8.69724825e-02 -3.14457536e-01 2.85050809e-01 -5.34303486e-01
2.05140444e-03 -3.56914908e-01 1.32593617e-01 1.34602815e-01
8.34424496e-02 -2.73539245e-01 -8.30292553e-02 1.47602037e-01
-2.76010185e-01 2.20643684e-01 2.27436453e-01 -4.26474325e-02
-6.24517351e-02 5.66290952e-02 2.52530258e-02 -1.38873294e-01
-2.31301725e-01 -1.09231465e-01 -1.34342521e-01 9.82840061e-02
2.76122481e-01 -2.20348358e-01 -3.24411511e-01 3.73846352e-01
2.25116895e-03 7.37380683e-02 2.37027138e-01 -6.71216100e-02
-7.34784752e-02 -2.10223243e-01 -1.42640561e-01 1.53249070e-01
1.13160595e-01 -2.25711882e-01 -7.01921284e-02 1.15349911e-01
-3.80048126e-01 -2.95185624e-03 3.98775488e-01 -9.73170176e-02
-4.16714624e-02 -9.56387296e-02 8.42289254e-02 -2.36658439e-01
6.64465651e-02 -1.31715974e-02 -1.59601197e-01 8.88570100e-02
1.33331180e-01 -7.15468898e-02 1.95292663e-02 -1.93508156e-02
1.33383304e-01 -3.06313127e-01 7.45932907e-02 -2.96030585e-02
-1.72281161e-01 5.93193658e-02 8.34293887e-02 1.39482886e-01
1.18947007e-01 6.46592006e-02 2.07168125e-02 2.07605623e-02
-8.70405138e-02 2.21211419e-01 -1.53310314e-01 1.00793295e-01
-1.92820221e-01 -2.12027013e-01 9.87652317e-02 2.17053652e-01
4.86631304e-01 1.86503336e-01 -5.58116026e-02 -5.36188930e-02
-3.45847532e-02 1.55890629e-01 1.08481154e-01 5.94230704e-02
3.30689073e-01 -8.32900181e-02 2.48705238e-01 5.14308959e-02
6.58088923e-02 -1.93040535e-01 3.02518234e-02 -3.92529294e-02
1.89376771e-01 -9.18796659e-02 3.10825408e-01 4.15268168e-02
-4.59740274e-02 -1.36704236e-01 -2.26371899e-01 -1.88938022e-01
-9.71311778e-02 -2.66413629e-01 1.49052262e-01 -3.35519582e-01
1.54610902e-01 5.26955947e-02 -9.51223820e-02 2.34650373e-01
1.66842282e-01 -4.10355441e-02 -6.46131486e-02 7.39907995e-02
-7.34125972e-02 8.67785811e-02 -4.19434011e-01 1.49924412e-01
2.64039114e-02 3.05301458e-01 2.93732643e-01 1.41284674e-01
8.81637931e-02 1.88074231e-01 -2.17319787e-01 -4.10166413e-01
4.96431477e-02 -3.15308601e-01 -1.60014797e-02 -1.07530311e-01
1.28617911e-02 3.53148021e-02 -7.71220773e-02 -6.29130676e-02
-8.69281590e-02 -5.55020664e-03 -1.84910014e-01 -2.46468764e-02
2.31978804e-01 2.93507904e-01 8.72691721e-02 -2.26804726e-02
-2.83576965e-01 -3.23421247e-02 -1.48572177e-01 1.82716042e-01
1.91754699e-01 7.03820288e-02 4.24286425e-02 -6.50014803e-02
-9.97320190e-02 -2.15809867e-01 3.14078555e-02 -1.96677875e-02
-1.10134572e-01 1.19875282e-01 1.54025719e-01 1.01338290e-01
5.95281012e-02 2.78205037e-01 -9.77627859e-02 -2.41364494e-01
5.33033311e-01 -2.40000382e-01 -4.84812446e-02 6.93592578e-02
-8.78402889e-02 -2.56885827e-01 -1.05378618e-02 2.10043699e-01
-3.02311122e-01 -9.24663767e-02 -9.41163674e-02 8.37587938e-03
1.84201568e-01 -2.37815425e-01 -6.43651634e-02 -1.07877836e-01
-2.62131453e-01 1.14236757e-01 4.68298532e-02 -3.03846925e-01
-8.44435990e-02 1.81959212e-01 -3.58633459e-01 1.99875772e-01
1.75900802e-01 -3.03341061e-01 -1.05403319e-01 4.98839887e-04
8.98204967e-02 -2.79990375e-01 -2.72860229e-01 -6.90619275e-02
-7.85811692e-02 -1.28763422e-01 -1.47669330e-01 2.09599406e-01
7.18796179e-02 2.34390453e-01 1.15268238e-01 -1.40857920e-01]
``