word2vec的使用参数解释和应用场景

#1. word2vec原生代码运行
##搭建word2vec环境
###安装Cywin
因为我用的服务器是windows sever，所以需要装了cywin
安装过程参考：
[Windows下使用Word2vec继续词向量训练](http://blog.csdn.net/heyongluoyao8/article/details/43488765)
###下载word2vec
因为word2vec现在已经集成到了tensorflow中，所以官网上svn已经没法下到了
这里找到了别人在github的word2vec项目可以使用：[地址](https://github.com/dav/word2vec)
###使用word2vec
用cywin切换到word2vec目录下，进入./src文件夹，然后输入make，回车，之后会在bin文件下出现很多exe执行文件
##数据准备
###搜狗的新闻[数据](http://www.sogou.com/labs/resource/ca.php)，
来自若干新闻站点2012年6月—7月期间国内，国际，体育，社会，娱乐等18个频道的新闻数据，提供URL和正文信息。
大家可以下到，申请也不麻烦，就是数据有点老，有些新鲜词汇没有，另外，由于是新闻数据，所以，有些词汇也是没有的
###数据整理和分词
首先，下载的数据是有html标签的，我们只需要content的内容：
数据整理和分词参考[这篇博客](http://blog.csdn.net/zhaoxinfan/article/details/11069485)
首先，取content标签下的数据

```
cat news_tensite_xml.dat | iconv -f gbk -t utf-8 -c | grep "<content>"  > corpus.txt
```
因为这些数据虽然去除了其他标签的数据，但是却把<content>保留下来了，所以后来作者在分词程序中去除了这个标签

我在这个[网页](http://www.jb51.net/article/65497.htm)上找到了一个python去标签的简单代码。但是没有实验过，不知效果怎么样：
这段代码可以用于去除文本里的字符串标签，不包括标签里面的内容

```
import re
html='<a href="http://www.jb51.net">脚本之家</a>,Python学习！'
dr = re.compile(r'<[^>]+>',re.S)
dd = dr.sub('',html)
print(dd)
```

运行结果如下：

```
脚本之家,Python学习！
```

##实验
整理之后就可以在bin文件夹下运行程序了，图片和参数解释来自[这里](http://blog.csdn.net/heyongluoyao8/article/details/43488765)，代码如下：

```
time ./word2vec -train text8 -output vectors.bin -cbow 1 -size 200 -window 8 -negative 25 -hs 0 -sample 1e-4 -threads 20 -binary 0 -iter 15
```
![这里写图片描述](http://img.blog.csdn.net/20150204220148669?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvaGV5b25nbHVveWFvOA==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/Center)
  
-time 会在结果前输出实验用的时间，当然如果不需要的话，可以去掉
-train 训练数据
-output 结果输入文件，即每个词的向量，也可以output为txt文件，但是txt文件没有直接用./distance
-cbow 是否使用cbow模型，0表示使用skip-gram模型，1表示使用cbow模型，默认情况下是skip-gram模型，cbow模型快一些，skip-gram模型效果好一些（0的情况跑了2个小时，1的时候跑了50分钟）
-size 表示输出的词向量维数
-window 为训练的窗口大小，8表示每个词考虑前8个词与后8个词（实际代码中还有一个随机选窗口的过程，窗口大小<=5)
-negative 表示是否使用NEG方，0表示不使用，其它的值目前还不是很清楚
-hs 是否使用HS方法，0表示不使用，1表示使用
-sample 表示 采样的阈值，如果一个词在训练样本中出现的频率越大，那么就越会被采样
-binary 表示输出的结果文件是否采用二进制存储，0表示不使用（即普通的文本存储，可以打开查看），1表示使用，即vectors.bin的存储类型

-iter 迭代次数

除了上面所讲的参数，还有：
-alpha 表示 学习速率
-min-count 表示设置最低频率，默认为5，如果一个词语在文档中出现的次数小于该阈值，那么该词就会被舍弃
-classes 表示词聚类簇的个数，从相关源码中可以得出该聚类是采用k-means

跑完后，用下面的命令启动距离计算，然后输入文字

```
./distance vectors.bin
```

至于聚类，只需要另一个命令即可：

```
./word2vec -train resultbig.txt -output classes.txt -cbow 0 -size 200 -window 5 -negative 0 -hs 1 -sample 1e-3 -threads 12 -classes 500  
```

按类别排序：

```
sort classes.txt -k 2 -n > classes.sorted.txt  
```

##应用
[深度学习word2vec笔记之应用篇](https://www.52ml.net/16951.html)
这篇文章介绍了word2vec如何应用在广告推荐中

#2. Tensorflow中的word2vec
现在word2vec已经集成到了tensorflow中
使用tensorflow下的word2vec模型
[官网](https://github.com/tensorflow/tensorflow/tree/master/tensorflow/models/embedding)中给的例子：

**Word2Vec Tutorial**

To download the example text and evaluation data:

```
wget http://mattmahoney.net/dc/text8.zip -O text8.zip
unzip text8.zip
wget https://storage.googleapis.com/google-code-archive-source/v2/code.google.com/word2vec/source-archive.zip
unzip -p source-archive.zip  word2vec/trunk/questions-words.txt > questions-words.txt
rm source-archive.zip
```

Assuming you are using the pip package install and have cloned the git repository, navigate into this directory and run using:

```
cd tensorflow/models/embedding
python word2vec_optimized.py \
  --train_data=text8 \
  --eval_data=questions-words.txt \
  --save_path=/tmp/
```

To run the code from sources using bazel:

```
bazel run -c opt tensorflow/models/embedding/word2vec_optimized -- \
  --train_data=text8 \
  --eval_data=questions-words.txt \
  --save_path=/tmp/
```

我虽然跑通了程序，在tmp文件夹中也生成了几个文件，但是完全不知道怎么用。。。。。

#3. gensim的word2vec
请参考这篇教程
http://blog.csdn.net/Star_Bob/article/details/47808499

##参考
[Windows下使用Word2vec继续词向量训练](http://blog.csdn.net/heyongluoyao8/article/details/43488765)

[利用word2vec对关键词进行聚类](http://blog.csdn.net/zhaoxinfan/article/details/11069485)

https://github.com/tensorflow/tensorflow/tree/master/tensorflow/models/embedding

[深度学习word2vec笔记之应用篇](https://www.52ml.net/16951.html)

相关博客

最热博客