word2vec词向量处理中文语料

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