~~~~~~
看了很多文章，对word2vec的原理讲解很清楚，还有一些源码解读和实现。但是在真正工作中如何熟练使用更是必须的。翻了下网页发现这个内容比较少。就记录一下关键它的使用。
~~~~~~
word2vec的实现是位于gensim包中gensim\models\文件里面的Word2Vec类中
参数24个：
| 参数名称 | 默认值 | 用途 |
|---|---|---|
| sentences | None | 训练的语料，一个可迭代对象。对于从磁盘加载的大型语料最好用.，.word2vec.Text8Corpus ，. 去生成sentences |
| size | 100 | 生成词向量的维度 |
| alpha | 0.025 | 初始学习率 |
| window | 5 | 句子中当前和预测单词之间的最大距离，取词窗口大小 |
| min_count | 5 | 文档中总频率低于此值的单词忽略 |
| max_vocab_size | None | 构建词汇表最大数，词汇大于这个数按照频率排序，去除频率低的词汇 |
| sample | 1e-3 | 高频词进行随机下采样的阈值，范围是(0, 1e-5) |
| seed | 1 | 向量初始化的随机数种子 |
| workers | 3 | 几个CPU进行跑 |
| min_alpha | 0.0001 | 随着学习进行，学习率线性下降到这个最小数 |
| sg | 0 | 训练时算法选择 0:skip-gram, 1: CBOW |
| hs | 0 | 0: 当这个为0 并且negative 参数不为零，用负采样，1：层次 softmax |
| negative | 5 | 负采样，大于0是使用负采样，当为负数值就会进行增加噪音词 |
| ns_exponent | 0.75 | 负采样指数，确定负采样抽样形式：1.0：完全按比例抽，0.0对所有词均等采样，负值对低频词更多的采样。流行的是0.75 |
| cbow_mean | 1 | 0:使用上下文单词向量的总和，1:使用均值； 只适用于cbow |
| hashfxn | hash | 希函数用于随机初始化权重，以提高训练的可重复性。 |
| iter | 5 | 迭代次数，epoch |
| null_word | 0 | 空填充数据 |
| trim_rule | None | 词汇修剪规则，指定某些词语是否应保留在词汇表中，默认是 词频小于 min_count则丢弃，可以是自己定义规则 |
| sorted_vocab | 1 | 1：按照降序排列，0：不排序；实现方法：.word2vec.Word2VecVocab.sort_vocab() |
| batch_words | 10000 | 词数量大小，大于10000 cython会进行截断 |
| compute_loss | False | 损失(loss)值，如果是True 就会保存 |
| callbacks | () | 在训练期间的特定阶段执行的回调序列~.CallbackAny2Vec
|
| max_final_vocab | None | 通过自动选择匹配的min_count将词汇限制为目标词汇大小,如果min_count有参数就用给定的数值 |
模型保存使用：
完成训练后只存储并使用~
该模型可以通过以下方式存储/加载：~.word2vec. 保存模型~.word2vec. 加载模型
训练过的单词向量也可以从与其兼容的格式存储/加载：.save_word2vec_format实现原始
w
o
r
d
2
v
e
c
word2vec
word2vec 的保存.load_word2vec_format 单词向量的加载
模型的属性
wv: 是类 ~.Word2VecKeyedVectors生产的对象，在word2vec是一个属性
为了在不同的训练算法（Word2Vec，Fastext，WordRank，VarEmbed）之间共享单词向量查询代码，gensim将单词向量的存储和查询分离为一个单独的类 KeyedVectors
~~~~~~
包含单词和对应向量的映射。可以通过它进行词向量的查询
model_w2v.wv.most_similar("民生银行") # 找最相似的词
model_w2v.wv.get_vector("民生银行") # 查看向量
model_w2v.wv.syn0 # model_w2v. 一样都是查看向量
model_w2v.wv.vocab # 查看词和对应向量
model_w2v.wv.index2word # 每个index对应的词
小提示：
需要注意的是word2vec采用的是标准hash table存放方式，hash码重复后挨着放 取的时候根据拿出index找到词表里真正单词，对比一下syn0：就是词向量的大矩阵，第i行表示vocab中下标为i的词syn1：用hs算法时用到的辅助矩阵，即文章中的Wxsyn1neg：negative sampling算法时用到的辅助矩阵Next_random：作者自己生成的随机数，线程里面初始化就是：
vocabulary:是类 ~.word2vec.Word2VecVocab
~~~~~~
模型的词汇表,除了存储单词外，还提供额外的功能，如构建一个霍夫曼树（频繁的单词更接近根），或丢弃极其罕见的单词。trainables 是类 ~.word2vec.Word2VecTrainables
~~~~~~
训练词向量的内部浅层神经网络，CBOW和skip-gram(SG)略有不同，它的weights就是我们后面需要使用的词向量，隐藏层的size和词向量特征size一致
sentences相关
训练首先是语料集的加载。首先要生成Word2Vec需要的语料格式：
1.对于简单的句子可以：
from gensim.models import Word2Vec
# sentences只需要是一个可迭代对象就可以
sentences = [["cat", "say", "meow"], ["dog", "say", "woof"]]
model = Word2Vec(sentences, min_count=1) # 执行这一句的时候就是在训练模型了
2.对于大型语料库：
Gemsim 的输入只要求序列化的句子，而不需要将所有输入都存储在内存中。简单来说，可以输入一个句子，处理它，删除它，再载入另外一个句子。.: BrownCorpus是一个英国语料库，可以用这个直接处理.word2vec.Text8Corpus ，.
# 使用LineSentence()
sentences = LineSentence('') # 文本格式是 单词空格分开，一行为一个文档
# 使用Text8Corpus()
sentences = Text8Corpus('') # 文本格式是 单词空格分开，一行为一个文
model = Word2Vec(sentences, min_count=1) # 执行这一句的时候就是在训练模型了