Word2Vec 使用总结

word2vec 是google 推出的做词嵌入（word embedding）的开源工具。 简单的说，它在给定的语料库上训练一个模型，然后会输出所有出现在语料库上的单词的向量表示，这个向量称为"word embedding"。基于这个向量表示，可以计算词与词之间的关系，例如相似性(同义词等)，语义关联性（中国 - 北京 = 英国 - 伦敦）等。NLP中传统的词表示方法是 one-hot representation， 即把每个单词表示成dim维的稀疏向量，dim等于词汇量的大小。这个稀疏向量只有一个维度（该单词的index）上是1，其余全是0。这个表示方法使得单词之间是孤立的。 word embedding则是把单词的表示降维到n维的稠密向量，n<<dim。

作为非NLP专业的人，我不在此讲述word embedding的算法原理，本文是对word2vec工具使用过程的整理与总结，方便大家尽快上手。本文以中文处理为例，Word2vec对语言并没有限制。

 

安装 word2vec

从它的项目主页上下载源码（或者从我的github上下载 https://github.com/Leavingseason/word2vec  内容是一样的）。源码是linux下的c语言写的，如果要在windows下编译，需要用到Cygwin。Cygwin就是在windows平台上运行类Unix的模拟环境。安装需要几个小时，之后在Cygwin里面编译Word2vec，不需要改任何代码。

如果不想装Cygwin，也可以用Java版本的Word2vec。 我fork了一个java版本的实现：https://github.com/Leavingseason/Word2VEC_java  其中MyWord2VEC_java_eclipse.zip是我自己稍微整理的直接在eclipse上可以用的源码。经测试java版的也很好用。

 

准备语料库

要针对自己的情景，训练适合自己的词嵌入，所以要自己准备一个语料库。我用的是商品点评的语料。如果大家想做实验试试，可以用wiki的中文语料库，参考 http://www.52nlp.cn/%E4%B8%AD%E8%8B%B1%E6%96%87%E7%BB%B4%E5%9F%BA%E7%99%BE%E7%A7%91%E8%AF%AD%E6%96%99%E4%B8%8A%E7%9A%84word2vec%E5%AE%9E%E9%AA%8C/comment-page-1  我自己处理了一份中文wiki语料库，已经完成格式化、繁体转简体和分词的过程，下载页面： http://pan.baidu.com/s/1jHZCvvo   格式如下图所示：

对于中文语料，第一步需要分词。现成的工具很多，我喜欢用SnowNLP https://github.com/isnowfy/snownlp ， 除了分词，它还提供情感分析，繁体转简体，汉字to拼音等功能。 当然现有的其他NLP工具很多，像结巴分词等等。我试用了SnowNLP，感觉效果还挺不错的。 

分完词后，把语料库整理成Word2vec的输入格式。这个格式很简单，单词之间用空格隔开就行了。 word2vec 把一个单词的前面和后面的k个单词作为context训练， 其中会自动把换行符替换成 </s> ，也就是句子分隔符。

 

训练word2vec模型

其实在源码目录有一些类似“demo-train-big-model-v1.sh”的脚本，它们就是运行Word2vec工具的示例。它会自动下载一个语料库然后执行。如果我们已经有了语料库，就不用下载了，脚本可以简化很多（Cygwin中运行）：

time ./word2vec -train "data/review.txt" -output "data/review.model" -cbow 1 -size 100 -window 8 -negative 25 -hs 0 -sample 1e-4 -threads 20 -binary 1 -iter 15

-train "data/review.txt" 表示在指定的语料库上训练模型
-cbow 1 表示用cbow模型，设成0表示用skip-gram模型

-size 100 词向量的维度为100

-window 8 训练窗口的大小为8   即考虑一个单词的前八个和后八个单词

-negative 25 -hs 0  是使用negative sample还是HS算法

-sample 1e-4 采用阈值

-threads 20 线程数

-binary 1 输出model保存成2进制 

-iter 15 迭代次数

训练还是很快的，在我的1G语料库上训练2小时左右。


使用结果

得到模型后，可以用命令  ./distance data/review.model 测试单词的最近邻。 这个要求刚才生成的模型是保存成二进制的。

除了计算距离，还有一些有意思的例子，例如http://www.tuicool.com/articles/RB7fqaB 所写。

 

如果把模型保存成普通文本型，那么可以得到每个单词的向量表示，使用就灵活了，可以在自己的程序里读取这个model， 然后和自由计算各种值。

如果想偷懒的话，就用上述提到的java版程序加载model，然后可以做一系列方法调用。