gensim快速上手教程
- 时间:
- 浏览:0
gensim是另十个 Python常用的的自然语言外理开发包, 主要用于词向量训练和加载词向量,以下解释其正确使用姿势。
from gensim.models import word2vec
'''
author = "kalafinaian"
email= "kalafinaian@outlook.com"
create_time = 2019-08-11
'''
'''
预料如何准备, 训练预料问津中每一行是另十个
文本,每个文本使用空进行分词
A B C ..
D E F ..
H I G ..
..
'''
s_corpus_url = "corpus.txt" # 语料库地址
sentences = word2vec.Text8Corpus(s_corpus_url,)
'''
算法训练使用说明
架构:skip-gram(慢、对罕见字有利)vs CBOW(快)
训练算法:分层softmax(对罕见字有利)vs 负采样(对常见词和低纬向量有利)
欠采样频繁词:不需要
提高结果的准确性和下行速率
(适用范围1e-3到1e-5)
文本(window)大小:skip-gram通常在10付近,CBOW通常在5付近
'''
train_model = word2vec.Word2Vec(sentences,
sg = 1, # 0为CBOW 1为skip-gram
size = 100, # 型态向量的维度
window = 5, # 表示当前词与预测词在另十个
的话中的最大距离是几块
min_count = 5, # 词频少于min_count次数的单词会被
sample = 1e-3, # 高频词汇的随机降采样的配置阈值
iter = 23, #训练的次数
hs = 1, #为 1 用hierarchical softmax 0 negative sampling
workers=8 # 开启进程个数
)
'''
模型的保存
'''
s_model_url = "train.model" # 语料库保存地址
train_model.save(s_model_url)
'''
模型的加载
'''
load_model = word2vec.Word2Vec.load(s_model_url)
'''
查询另十个
词的累似
度
'''
s_word_1 = "关雎"
s_word_2 = "蒹葭"
f_word_sim = load_model.similarity(s_word_1, s_word_2)
'''
查询另十个
词的词向量, 返回是另十个
numpy数组
'''
s_query_word = "雅言"
np_word = load_model[s_query_word]
'''
打印另十个
词语所有累似
词和累似
度
'''
for s_word, f_sim in load_model.most_similar(s_query_word):
print(s_word, f_sim)
'''
判断另十个
词语是是否是在词向量模型中
'''
s_word = "Naive"
if s_word in load_model.vocab:
print("地处")
else:
print("不地处")