這篇文章主要介紹了Python中gensim庫word2vec怎么用，具有一定借鑒價值，感興趣的朋友可以參考下，希望大家閱讀完這篇文章之后大有收獲，下面讓小編帶著大家一起了解一下。
pip install gensim安裝好庫后，即可導入使用：
1、訓練模型定義
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)
參數解釋：
1.sg=1是skip-gram算法，對低頻詞敏感；默認sg=0為CBOW算法。
2.size是輸出詞向量的維數，值太小會導致詞映射因為沖突而影響結果，值太大則會耗內存并使算法計算變慢，一般值取為100到200之間。
3.window是句子中當前詞與目標詞之間的最大距離，3表示在目標詞前看3-b個詞，后面看b個詞（b在0-3之間隨機）。
4.min_count是對詞進行過濾，頻率小于min-count的單詞則會被忽視，默認值為5。
5.negative和sample可根據訓練結果進行微調，sample表示更高頻率的詞被隨機下采樣到所設置的閾值，默認值為1e-3。
6.hs=1表示層級softmax將會被使用，默認hs=0且negative不為0，則負采樣將會被選擇使用。
7.workers控制訓練的并行，此參數只有在安裝了Cpython后才有效，否則只能使用單核。
詳細參數說明可查看word2vec源代碼。
2、訓練后的模型保存與加載
model.save(fname) model = Word2Vec.load(fname)
3、模型使用（詞語相似度計算等）
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)感謝你能夠認真閱讀完這篇文章，希望小編分享的“Python中gensim庫word2vec怎么用”這篇文章對大家有幫助，同時也希望大家多多支持億速云，關注億速云行業資訊頻道，更多相關知識等著你來學習!
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
