pip install gensim安裝好庫(kù)后，即可導(dǎo)入使用：

1、訓(xùn)練模型定義

from gensim.models import Word2Vec model = Word2Vec(sentences, sg=1, size=100, window=5, min_count=5, negative=3, sample=0.001, hs=1, workers=4) 

參數(shù)解釋：

1.sg=1是skip-gram算法，對(duì)低頻詞敏感；默認(rèn)sg=0為CBOW算法。

2.size是輸出詞向量的維數(shù)，值太小會(huì)導(dǎo)致詞映射因?yàn)闆_突而影響結(jié)果，值太大則會(huì)耗內(nèi)存并使算法計(jì)算變慢，一般值取為100到200之間。

3.window是句子中當(dāng)前詞與目標(biāo)詞之間的最大距離，3表示在目標(biāo)詞前看3-b個(gè)詞，后面看b個(gè)詞（b在0-3之間隨機(jī)）。

4.min_count是對(duì)詞進(jìn)行過(guò)濾，頻率小于min-count的單詞則會(huì)被忽視，默認(rèn)值為5。

5.negative和sample可根據(jù)訓(xùn)練結(jié)果進(jìn)行微調(diào)，sample表示更高頻率的詞被隨機(jī)下采樣到所設(shè)置的閾值，默認(rèn)值為1e-3。

6.hs=1表示層級(jí)softmax將會(huì)被使用，默認(rèn)hs=0且negative不為0，則負(fù)采樣將會(huì)被選擇使用。

7.workers控制訓(xùn)練的并行，此參數(shù)只有在安裝了Cpython后才有效，否則只能使用單核。

詳細(xì)參數(shù)說(shuō)明可查看word2vec源代碼。

2、訓(xùn)練后的模型保存與加載

model.save(fname) model = Word2Vec.load(fname) 

3、模型使用（詞語(yǔ)相似度計(jì)算等）

model.most_similar(positive=['woman', 'king'], negative=['man']) #輸出[('queen', 0.50882536), ...]  model.doesnt_match("breakfast cereal dinner lunch".split()) #輸出'cereal'  model.similarity('woman', 'man') #輸出0.73723527  model['computer'] # raw numpy vector of a word #輸出array([-0.00449447, -0.00310097, 0.02421786, ...], dtype=float32) 

其它內(nèi)容不再贅述，詳細(xì)請(qǐng)參考gensim的word2vec的官方說(shuō)明，里面講的很詳細(xì)。

以上這篇對(duì)Python中g(shù)ensim庫(kù)word2vec的使用詳解就是小編分享給大家的全部?jī)?nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持VEVB武林網(wǎng)。