1.詞向量預(yù)訓(xùn)練模型的優(yōu)勢：

（1）訓(xùn)練和保存含有語義信息的詞向量，在用于模型訓(xùn)練之前，enbedding的過程同樣帶有語義信息，使模型訓(xùn)練的效果更好；

（2）可以用預(yù)訓(xùn)練好的詞向量模型直接計算兩個詞和文本的相似度，常推薦用余弦相似度計算；

2.詞向量預(yù)訓(xùn)練模型的限制因素：

（1）對訓(xùn)練語料的要求非常高，要求訓(xùn)練語料大而全，所以訓(xùn)練起來比較費(fèi)時間，并且訓(xùn)練語料的來源也是個問題；

（2）公開的預(yù)訓(xùn)練模型一般都是用大量的公共數(shù)據(jù)訓(xùn)練的，如百科、文獻(xiàn)、報紙等公開數(shù)據(jù)集，所以只能適用于一些通用型的機(jī)器學(xué)習(xí)任務(wù)，像醫(yī)學(xué)、生物等領(lǐng)域就不太實(shí)用。

3.自己訓(xùn)練詞向量的全流程：

（1）準(zhǔn)備數(shù)據(jù)：我這邊是訓(xùn)練的電子病歷數(shù)據(jù)，將來也是用于電子病歷的enbedding過程，所以我這邊只準(zhǔn)備了電子病歷數(shù)據(jù)，大概是1000w+的數(shù)據(jù)。

（2）清洗數(shù)據(jù)：電子病歷數(shù)據(jù)的清洗比較麻煩，首先，二次脫敏，保證將姓名、醫(yī)院名、地市名稱以及一些相關(guān)的電話和編號等信息脫敏干凈，一是防止隱私泄露，二是防止這些噪聲的影響訓(xùn)練效果。

（3）選用模型：word2vec中的CBOW：

（4）代碼如下：

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

數(shù)據(jù)讀?。簲?shù)據(jù)量太大，不建議用excel，無內(nèi)存限制當(dāng)我沒說

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

清洗一下數(shù)據(jù)：

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_)

參數(shù)設(shè)置和參數(shù)解釋：

· sentences：可以是一個list，對于大語料集，建議使用BrownCorpus,Text8Corpus或·ineSentence構(gòu)建。

· sg： 用于設(shè)置訓(xùn)練算法，默認(rèn)為0，對應(yīng)CBOW算法；sg=1則采用skip-gram算法。

· size：是指特征向量的維度，默認(rèn)為100。大的size需要更多的訓(xùn)練數(shù)據(jù),但是效果會更好. 推薦值為幾十到幾百。

· window：表示當(dāng)前詞與預(yù)測詞在一個句子中的最大距離是多少。Harris 在 1954 年提出的分布假說( distributional hypothesis)指出， 一個詞的詞義由其所在的上下文決定。所以word2vec的參數(shù)中，窗口設(shè)置一般是5，而且是左右隨機(jī)1-5（小于窗口大?。┑拇笮?，是均勻分布,隨機(jī)的原因應(yīng)該是比固定窗口效果好，增加了隨機(jī)性，個人理解應(yīng)該是某一個中心詞可能與前后多個詞相關(guān)，也有的詞在一句話中可能只與少量詞相關(guān)（如短文本可能只與其緊鄰詞相關(guān)）。

· alpha: 是學(xué)習(xí)速率

· seed：用于隨機(jī)數(shù)發(fā)生器。與初始化詞向量有關(guān)。

· min_count: 可以對字典做截斷. 詞頻少于min_count次數(shù)的單詞會被丟棄掉, 默認(rèn)值為5。該模塊在訓(xùn)練結(jié)束后可以通過調(diào)用model.most_similar('電影',topn=10)得到與電影最相似的前10個詞。如果‘電影’未被訓(xùn)練得到，則會報錯‘訓(xùn)練的向量集合中沒有留下該詞匯’。

· max_vocab_size: 設(shè)置詞向量構(gòu)建期間的RAM限制。如果所有獨(dú)立單詞個數(shù)超過這個，則就消除掉其中最不頻繁的一個。每一千萬個單詞需要大約1GB的RAM。設(shè)置成None則沒有限制。

· sample: 高頻詞匯的隨機(jī)降采樣的配置閾值，默認(rèn)為1e-3，范圍是(0,1e-5)

· workers參數(shù)控制訓(xùn)練的并行數(shù)。

· hs: 如果為1則會采用hierarchica·softmax技巧。如果設(shè)置為0（defau·t），則negative sampling會被使用。

· negative: 如果>0,則會采用negativesamp·ing，用于設(shè)置多少個noise words

· cbow_mean: 如果為0，則采用上下文詞向量的和，如果為1（defau·t）則采用均值。只有使用CBOW的時候才起作用。

· hashfxn： hash函數(shù)來初始化權(quán)重。默認(rèn)使用python的hash函數(shù)

· iter： 迭代次數(shù)，默認(rèn)為5

· trim_rule： 用于設(shè)置詞匯表的整理規(guī)則，指定那些單詞要留下，哪些要被刪除?？梢栽O(shè)置為None（min_count會被使用）或者一個接受()并返回RU·E_DISCARD,uti·s.RU·E_KEEP或者uti·s.RU·E_DEFAU·T的函數(shù)。

· sorted_vocab： 如果為1（defau·t），則在分配word index 的時候會先對單詞基于頻率降序排序。

· batch_words：每一批的傳遞給線程的單詞的數(shù)量，默認(rèn)為10000。這里我認(rèn)為是在訓(xùn)練時，控制一條樣本（一個句子）中詞的個數(shù)為10000，大于10000的截斷；訓(xùn)練時依次輸入batch_words的2*window（實(shí)際上不一定是2*window，因?yàn)榇a內(nèi)部還對[0,window]取了隨機(jī)。

模型訓(xùn)練：sg沒寫，默認(rèn)CBOW；訓(xùn)練50維度；word2vec的參數(shù)中，窗口設(shè)置一般是5，而且是左右隨機(jī)1-5（小于窗口大小）的大小，是均勻分布,隨機(jī)的原因應(yīng)該是比固定窗口效果好，增加了隨機(jī)性；min_count = 1控制詞頻和篩選；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：

# 第一種
# model = Word2Vec.load(word2vec.model) 
model.save('emr2vec.model')
# 第二種
# model = gensim.models.KeyedVectors.load_word2vec_format('word2vec.bin',binary=True)
model.wv.save_word2vec_format('emr2vec.bin')
# 第三種
# gensim.models.KeyedVectors.load_word2vec_format('word2vec.txt',binary=False)
model.wv.save_word2vec_format('emr2vec.txt')

測試：導(dǎo)入模型

model = Word2Vec.load("emr2vec.model")
#篩選10個與當(dāng)前詞最近的詞向量
model.wv.similar_by_word("腦梗死", topn=10)

結(jié)果：

到此這篇關(guān)于Python word2vec訓(xùn)練詞向量實(shí)例分析講解的文章就介紹到這了,更多相關(guān)Python word2vec內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論