Python word2vec训练词向量实例分析讲解

1.词向量预训练模型的优势：

（1）训练和保存含有语义信息的词向量，在用于模型训练之前，enbedding的过程同样带有语义信息，使模型训练的效果更好；

（2）可以用预训练好的词向量模型直接计算两个词和文本的相似度，常推荐用余弦相似度计算；

2.词向量预训练模型的限制因素：

（1）对训练语料的要求非常高，要求训练语料大而全，所以训练起来比较费时间，并且训练语料的来源也是个问题；

（2）公开的预训练模型一般都是用大量的公共数据训练的，如百科、文献、报纸等公开数据集，所以只能适用于一些通用型的机器学习任务，像医学、生物等领域就不太实用。

3.自己训练词向量的全流程：

（1）准备数据：我这边是训练的电子病历数据，将来也是用于电子病历的enbedding过程，所以我这边只准备了电子病历数据，大概是1000w+的数据。

（2）清洗数据：电子病历数据的清洗比较麻烦，首先，二次脱敏，保证将姓名、医院名、地市名称以及一些相关的电话和编号等信息脱敏干净，一是防止隐私泄露，二是防止这些噪声的影响训练效果。

（3）选用模型：word2vec中的CBOW：

（4）代码如下：

from gensim.models import Word2Vec
import pandas as pd
import numpy as np
import re
import jieba

数据读取：数据量太大，不建议用excel，无内存限制当我没说

pd_data = pd.read_excel('data/emr_500w.xlsx')

清洗一下数据：

def clean_data(data):
    res = re.sub('[\s@\u3000\u2002\?\*%#￥&：:,，。.-_——？、《》；;]+', ' ' ,data)
    return res
res = pd_data.text.apply(lambda x : jieba.lcut(clean_data(x))).to_list()
train_data = [i for lis in res for i in lis if i.strip()]
train_data_02 = []
for i in res:
    lis_ = [j for j in i if j.strip()]
    train_data_02.append(lis_)

参数设置和参数解释：

· sentences：可以是一个list，对于大语料集，建议使用BrownCorpus,Text8Corpus或·ineSentence构建。

· sg： 用于设置训练算法，默认为0，对应CBOW算法；sg=1则采用skip-gram算法。

· size：是指特征向量的维度，默认为100。大的size需要更多的训练数据,但是效果会更好. 推荐值为几十到几百。

· window：表示当前词与预测词在一个句子中的最大距离是多少。Harris 在 1954 年提出的分布假说( distributional hypothesis)指出， 一个词的词义由其所在的上下文决定。所以word2vec的参数中，窗口设置一般是5，而且是左右随机1-5（小于窗口大小）的大小，是均匀分布,随机的原因应该是比固定窗口效果好，增加了随机性，个人理解应该是某一个中心词可能与前后多个词相关，也有的词在一句话中可能只与少量词相关（如短文本可能只与其紧邻词相关）。

· alpha: 是学习速率

· seed：用于随机数发生器。与初始化词向量有关。

· min_count: 可以对字典做截断. 词频少于min_count次数的单词会被丢弃掉, 默认值为5。该模块在训练结束后可以通过调用model.most_similar('电影',topn=10)得到与电影最相似的前10个词。如果‘电影’未被训练得到，则会报错‘训练的向量集合中没有留下该词汇’。

· max_vocab_size: 设置词向量构建期间的RAM限制。如果所有独立单词个数超过这个，则就消除掉其中最不频繁的一个。每一千万个单词需要大约1GB的RAM。设置成None则没有限制。

· sample: 高频词汇的随机降采样的配置阈值，默认为1e-3，范围是(0,1e-5)

· workers参数控制训练的并行数。

· hs: 如果为1则会采用hierarchica·softmax技巧。如果设置为0（defau·t），则negative sampling会被使用。

· negative: 如果>0,则会采用negativesamp·ing，用于设置多少个noise words

· cbow_mean: 如果为0，则采用上下文词向量的和，如果为1（defau·t）则采用均值。只有使用CBOW的时候才起作用。

· hashfxn： hash函数来初始化权重。默认使用python的hash函数

· iter： 迭代次数，默认为5

· trim_rule： 用于设置词汇表的整理规则，指定那些单词要留下，哪些要被删除。可以设置为None（min_count会被使用）或者一个接受()并返回RU·E_DISCARD,uti·s.RU·E_KEEP或者uti·s.RU·E_DEFAU·T的函数。

· sorted_vocab： 如果为1（defau·t），则在分配word index 的时候会先对单词基于频率降序排序。

· batch_words：每一批的传递给线程的单词的数量，默认为10000。这里我认为是在训练时，控制一条样本（一个句子）中词的个数为10000，大于10000的截断；训练时依次输入batch_words的2*window（实际上不一定是2*window，因为代码内部还对[0,window]取了随机。

模型训练：sg没写，默认CBOW；训练50维度；word2vec的参数中，窗口设置一般是5，而且是左右随机1-5（小于窗口大小）的大小，是均匀分布,随机的原因应该是比固定窗口效果好，增加了随机性；min_count = 1控制词频和筛选；iter = 10迭代10次；

model = Word2Vec(train_data_02, size=50, window=5, min_count=1, workers=8, sg=0, batch_words=1500,iter = 10)

模型保存：

# 第一种
# model = Word2Vec.load(word2vec.model) 
model.save('emr2vec.model')
# 第二种
# model = gensim.models.KeyedVectors.load_word2vec_format('word2vec.bin',binary=True)
model.wv.save_word2vec_format('emr2vec.bin')
# 第三种
# gensim.models.KeyedVectors.load_word2vec_format('word2vec.txt',binary=False)
model.wv.save_word2vec_format('emr2vec.txt')

测试：导入模型

model = Word2Vec.load("emr2vec.model")
#筛选10个与当前词最近的词向量
model.wv.similar_by_word("脑梗死", topn=10)

结果：