python调用word2vec工具包安装和使用指南

word2vec python-toolkit installation and use tutorial

本文选译自英文版，代码注释均摘自本文，建议先阅读skip-model相关知识再阅读本指南
github仓库地址

环境准备

1. 安装gcc, 安装gcc坑比较多，这里建议使用codeblocks自带的gcc编译器，下载地址，这里注意，一定要点击codeblocks-mingw版本，安装完成后设置环境变量Path, INCLUDE, LIB
2. 尝试安装：pip install word2vec, 观察报错情况，这里有几种解决方法，我遇到的报错是Microsoft Visual C++ 14.0 is required. Get it with "Microsoft Visual C++ Build Tools": https://visualstudio.microsoft.com/downloads/ 解决方法是下载microsoft vc++下载指南, 还有其他可能的错误，链接如下：报错列表，题外话：安装python工具包时，先查阅pypi，可以避免一些错误

模型的训练

? 导入模型import word2vec

1. 同义词合并，例如michael jacson和 michael-jackson

   word2vec.word2phrase('./txt_file/text8', './txt_file/text8-phrases', verbose=True)

2. 训练skip-gram model， 得到word2vec词向量表示，size为向量的维数

   word2vec.word2vec('/Users/drodriguez/Downloads/text8-phrases', '/Users/drodriguez/Downloads/text8.bin', size=100, verbose=True)

3. 输出text8.bin文件，包含二进制形式的词向量组

4. 词向量的应用：单词聚类，产生text8-clusters.txt包含所有单词的聚类结果, 结果数目小于等于单词表数目

   word2vec.word2clusters('/Users/drodriguez/Downloads/text8', '/Users/drodriguez/Downloads/text8-clusters.txt', 100, verbose=True)

model模型的使用

1. 导入刚才产生的模型

   model = word2vec.load('/Users/drodriguez/Downloads/text8.bin')

2. model的属性 model.vocab, 得到单词表的numpy.array格式，这里的单词不是词向量形式

3. model.vectors是模型的矩阵，n为单词数目，m为词向量长度，vectors为n*m维

4. 可以通过model[‘dog‘].shape或者model[‘dog‘][:10]来访问某一个单词的词向量信息

5. 计算几个词向量两两之间的距离：model.distance("dog", "cat", "fish")

6. 得到某一个单词的相似词（基于余弦相似度）：indexes, metrics = model.similar("dog"),第一个返回值为相似向量的下标，第二个为相似度，都为tuple格式，得到相应的单词可使用model.vocab[indexes]

7. 得到相似词的统计信息：（词，相似度）model.generate_response(indexes, metrics)，还可以使用model.generate_response(indexes, metrics).tolist()来转换得到python数据类型

8. 词向量直接加减运算：indexes, metrics = model.analogy(pos=[‘king‘, ‘woman‘], neg=[‘man‘]),返回值和generate_response method相同

cluster模型的使用

1. 导入cluster模型

   clusters = word2vec.load_clusters('/Users/drodriguez/Downloads/text8-clusters.txt')

2. 得到某一组结果clusters.get_words_on_cluster(90)，结果为这一组的所有单词

cluster和model的结合使用

1. 将cluster添加到word2vec model中

   model.clusters = clusters

2. 进行类似的加减分析：indexes, metrics = model.analogy(pos=["paris", "germany"], neg=["france"])

3. 得到结果后，model.generate_response(indexes, metrics).tolist()，得到(单词，相似程度，所属组号)