python gensim使用word2vec詞向量處理中文語料的方法

word2vec介紹

word2vec官網：https://code.google.com/p/word2vec/

• word2vec是google的一個開源工具，能夠根據輸入的詞的集合計算出詞與詞之間的距離。
• 它將term轉換成向量形式，可以把對文本內容的處理簡化為向量空間中的向量運算，計算出向量空間上的相似度，來表示文本語義上的相似度。
• word2vec計算的是余弦值，距離范圍為0-1之間，值越大代表兩個詞關聯度越高。
• 詞向量：用Distributed Representation表示詞，通常也被稱為“Word Representation”或“Word Embedding（嵌入）”。

簡言之：詞向量表示法讓相關或者相似的詞，在距離上更接近。

具體使用（處理中文）

收集語料

本文：亞馬遜中文書評語料，12萬+句子文本。
語料以純文本形式存入txt文本。
注意：
理論上語料越大越好
理論上語料越大越好
理論上語料越大越好
重要的事情說三遍。
因為太小的語料跑出來的結果并沒有太大意義。

分詞

中文分詞工具還是很多的，我自己常用的：
- 中科院NLPIR
- 哈工大LTP
- 結巴分詞

注意：分詞文本將作為word2vec的輸入文件。

分詞文本示例

word2vec使用

python，利用gensim模塊。

win7系統下在通常的python基礎上gensim模塊不太好安裝，所以建議使用anaconda，具體參見： python開發之anaconda【以及win7下安裝gensim】

直接上代碼——
#!/usr/bin/env python
# -*- coding: utf-8 -*-

"""
功能：測試gensim使用，處理中文語料
時間：2016年5月21日 20:49:07
"""

from gensim.models import word2vec
import logging

# 主程序
logging.basicConfig(format='%(asctime)s : %(levelname)s : %(message)s', level=logging.INFO)
sentences = word2vec.Text8Corpus(u"C:\\Users\\lenovo\\Desktop\\word2vec實驗\\亞馬遜中文書評語料.txt") # 加載語料
model = word2vec.Word2Vec(sentences, size=200) # 默認window=5

# 計算兩個詞的相似度/相關程度
y1 = model.similarity(u"不錯", u"好")
print u"【不錯】和【好】的相似度為：", y1
print "--------\n"

# 計算某個詞的相關詞列表
y2 = model.most_similar(u"書", topn=20) # 20個最相關的
print u"和【書】最相關的詞有：\n"
for item in y2:
  print item[0], item[1]
print "--------\n"

# 尋找對應關系
print u"書-不錯，質量-"
y3 = model.most_similar([u'質量', u'不錯'], [u'書'], topn=3)
for item in y3:
  print item[0], item[1]
print "--------\n"

# 尋找不合群的詞
y4 = model.doesnt_match(u"書 書籍 教材 很".split())
print u"不合群的詞：", y4
print "--------\n"

# 保存模型，以便重用
model.save(u"書評.model")
# 對應的加載方式
# model_2 = word2vec.Word2Vec.load("text8.model")

# 以一種C語言可以解析的形式存儲詞向量
model.save_word2vec_format(u"書評.model.bin", binary=True)
# 對應的加載方式
# model_3 = word2vec.Word2Vec.load_word2vec_format("text8.model.bin", binary=True)

if __name__ == "__main__":
  pass

運行結果

【不錯】和【好】的相似度為： 0.790186663972
--------

和【書】最相關的詞有：

書籍 0.675163209438
書本 0.633386790752
確實 0.568059504032
教材 0.551493048668
正品 0.532882153988
沒得說 0.529319941998
好 0.522468209267
據說 0.51004421711
圖書 0.508755385876
挺 0.497194319963
新書 0.494331330061
很 0.490583062172
不錯 0.476392805576
正版 0.460161447525
紙張 0.454929769039
可惜 0.450752496719
工具書 0.449723362923
的確 0.448629021645
商品 0.444284260273
紙質 0.443040698767
--------

書-不錯，質量-
精美 0.507958948612
總的來說 0.496103972197
材質 0.493623793125
--------

不合群的詞： 很

以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持億速云。