【python gensim使用】word2vec词向量处理中文语料

word2vec介绍

word2vec官网：https://code.google.com/p/word2vec/

• word2vec是google的一个开源工具，能够根据输入的词的集合计算出词与词之间的距离。
• 它将term转换成向量形式，可以把对文本内容的处理简化为向量空间中的向量运算，计算出向量空间上的相似度，来表示文本语义上的相似度。
• word2vec计算的是余弦值，距离范围为0-1之间，值越大代表两个词关联度越高。
• 词向量：用Distributed Representation表示词，通常也被称为“Word Representation”或“Word Embedding（嵌入）”。

简言之：词向量表示法让相关或者相似的词，在距离上更接近。

具体使用（处理中文）

收集语料

本文：亚马逊中文书评语料，12万+句子文本。 
语料以纯文本形式存入txt文本。 
注意： 
理论上语料越大越好 
理论上语料越大越好 
理论上语料越大越好 
重要的事情说三遍。 
因为太小的语料跑出来的结果并没有太大意义。

分词

中文分词工具还是很多的，我自己常用的： 
- 中科院NLPIR 
- 哈工大LTP 
- 结巴分词

注意：分词文本将作为word2vec的输入文件。

word2vec使用

python，利用gensim模块。 
win7系统下在通常的python基础上gensim模块不太好安装，所以建议使用anaconda，具体参见： python开发之anaconda【以及win7下安装gensim】

参考资料

【python gensim使用】word2vec词向量处理英文语料： 
http://blog.youkuaiyun.com/churximi/article/details/51472203 
深度学习：使用 word2vec 和 gensim： 
http://www.open-open.com/lib/view/open1420687622546.html