word2vec词向量处理中文语料

2022-11-08 23:01:31

word2vec介绍

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

word2vec是google的一个开源工具，能够根据输入的词的集合计算出词与词之间的距离。
它将term转换成向量形式，可以把对文本内容的处理简化为向量空间中的向量运算，计算出向量空间上的相似度，来表示文本语义上的相似度。
word2vec计算的是余弦值，距离范围为0-1之间，值越大代表两个词关联度越高。
词向量：用Distributed Representation表示词，通常也被称为“Word Representation”或“Word Embedding（嵌入）”。

简言之：词向量表示法让相关或者相似的词，在距离上更接近。

具体使用（处理中文）

收集语料

本文：亚马逊中文书评语料，12万+句子文本。
语料以纯文本形式存入txt文本。
注意：
理论上语料越大越好
理论上语料越大越好
理论上语料越大越好
重要的事情说三遍。
因为太小的语料跑出来的结果并没有太大意义。

分词

中文分词工具还是很多的，我自己常用的：
- 中科院NLPIR
- 哈工大LTP
- 结巴分词

注意：分词文本将作为word2vec的输入文件。

分词文本示例

word2vec使用

python，利用gensim模块。
win7系统下在通常的python基础上gensim模块不太好安装，所以建议使用anaconda，具体参见：python开发之anaconda【以及win7下安装gensim】

直接上代码——

 #!/usr/bin/env python

 # -*- coding: utf-8 -*-

 """

 功能：测试gensim使用，处理中文语料

 时间：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实验\\亚马逊中文书评语料.txt")  # 加载语料

 model = word2vec.Word2Vec(sentences, size=200)  # 默认window=5

 # 计算两个词的相似度/相关程度

 y1 = model.similarity(u"不错", u"好")

 print u"【不错】和【好】的相似度为：", y1

 print "--------\n"

 # 计算某个词的相关词列表

 y2 = model.most_similar(u"书", topn=20)  # 20个最相关的

 print u"和【书】最相关的词有：\n"

 for item in y2:

     print item[0], item[1]

 print "--------\n"

 # 寻找对应关系

 print u"书-不错，质量-"

 y3 = model.most_similar([u'质量', u'不错'], [u'书'], topn=3)

 for item in y3:

     print item[0], item[1]

 print "--------\n"

 # 寻找不合群的词

 y4 = model.doesnt_match(u"书 书籍 教材 很".split())

 print u"不合群的词：", y4

 print "--------\n"

 # 保存模型，以便重用

 model.save(u"书评.model")

 # 对应的加载方式

 # model_2 = word2vec.Word2Vec.load("text8.model")

 # 以一种C语言可以解析的形式存储词向量

 model.save_word2vec_format(u"书评.model.bin", binary=True)

 # 对应的加载方式

 # model_3 = word2vec.Word2Vec.load_word2vec_format("text8.model.bin", binary=True)

 if __name__ == "__main__":

     pass

运行结果

 【不错】和【好】的相似度为： 0.790186663972

 --------

 和【书】最相关的词有：

 书籍 0.675163209438

 书本 0.633386790752

 确实 0.568059504032

 教材 0.551493048668

 正品 0.532882153988

 没得说 0.529319941998

 好 0.522468209267

 据说 0.51004421711

 图书 0.508755385876

 挺 0.497194319963

 新书 0.494331330061

 很 0.490583062172

 不错 0.476392805576

 正版 0.460161447525

 纸张 0.454929769039

 可惜 0.450752496719

 工具书 0.449723362923

 的确 0.448629021645

 商品 0.444284260273

 纸质 0.443040698767

 --------

 书-不错，质量-

 精美 0.507958948612

 总的来说 0.496103972197

 材质 0.493623793125

 --------

 不合群的词： 很

参考资料

【python gensim使用】word2vec词向量处理英文语料：
http://blog.csdn.net/churximi/article/details/51472203
深度学习：使用 word2vec 和 gensim：
http://www.open-open.com/lib/view/open1420687622546.html

码农公寓