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：

到此这篇关于Python word2vec训练词向量实例分析讲解的文章就介绍到这了,更多相关Python word2vec内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！

最新评论