Word2Vec模型——将文本转换成向量的方法

        在美赛的时候，用了一下这个模型，发一下。

        Word2Vec是一种用于将文本转换为向量表示的技术。它是Google在2013年开发的一种工具，主要用于将单词转换为向量表示，并在向量空间中找到单词之间的语义关系。Word2Vec模型有两种架构：连续词袋模型（Continuous Bag-of-Words，简称CBOW）和跳跃式模型（Skip-Gram）。

        在CBOW模型中，模型试图从上下文中推断出当前单词，而在Skip-Gram模型中，模型试图从当前单词中推断出上下文单词。Word2Vec的目标是学习到一个向量空间，使得在这个向量空间中，语义上相似的单词在空间上也比较接近。具体地说，Word2Vec将单词表示为高维向量，这些向量被设计为捕捉到单词在上下文中出现的概率分布。这些向量被训练出来后，可以用于各种自然语言处理任务，如文本分类、语言翻译和情感分析等。

        在一般情况下，Skip-gram算法对于训练较小的语料库或者低频单词表现较好，而CBOW算法对于训练较大的语料库或者高频单词表现较好。

        话不多说，直接上代码。

import pandas as pd
from gensim.models import Word2Vec

# 读入数据
# 读取训练文本
with open('output.txt', 'r', encoding='utf-8') as f:
    sentences = [line.strip().split() for line in f]

# 训练Word2Vec模型
model = Word2Vec(sentences, vector_size=100, window=5, min_count=1, workers=4, sg=1)
model.save('word2vec.model')


# 读取另一个文件，提取单词的特征向量并保存到vector.csv
df = pd.read_csv('word.csv',encoding="gbk")
word_list = df['Word'].tolist()
vectors = []
for word in word_list:
    if word in model.wv:
        vectors.append(model.wv[word])
    else:
        vectors.append([0] * 100)  # 如果单词不在词汇表中，填充为0向量
vectors_df = pd.DataFrame(vectors)
vectors_df.to_csv('2.csv', index=False, header=None)

然后我解释一下每一步都是干什么的。

with open('output.txt', 'r', encoding='utf-8') as f:
    sentences = [line.strip().split() for line in f]

         打开名为 "output.txt" 的文件并读取其中的文本，将其转化为一个嵌套列表的形式，每个列表表示文本中的一句话，每个句子中的单词被拆分成单独的元素。

model = Word2Vec(sentences, vector_size=100, window=5, min_count=1, workers=4, sg=1)
model.save('word2vec.model')

        使用 Word2Vec 对句子进行训练。其中，vector_size 表示特征向量的维度，window 表示在每个单词周围的最大距离，min_count 表示单词的最小出现次数，workers 表示并行训练的线程数，sg 表示使用的算法类型（sg=1表示使用Skip-gram算法进行训练，而sg=0表示使用CBOW算法进行训练）。最后将训练好的模型保存在名为 "word2vec.model" 的文件中。                

df = pd.read_csv('word.csv', encoding="gbk")
word_list = df['Word'].tolist()

        使用 pandas 库读取名为 "word.csv" 的文件，提取其中 "Word" 列的数据，将其转化为列表形式。这个数据就是我们需要提取特征向量的数据

vectors = []
for word in word_list:
    if word in model.wv:
        vectors.append(model.wv[word])
    else:
        vectors.append([0] * 100)

        对于列表中的每个单词，判断其是否在训练好的 Word2Vec 模型中。如果存在，则提取其特征向量并添加到 vectors 列表中；否则将其向量设为全为 0 的向量。

        问题就在这，你要是训练用的文本不够多，没有你要提取向量的单词，你结果就是0.

vectors_df = pd.DataFrame(vectors)
vectors_df.to_csv('WordVector.csv', index=False, header=None)

将 vectors 列表转化为 pandas 数据帧格式，并将其保存为名为 "WordVector.csv" 的文件

  output.txt就是模型的训练数据，本来Google已经提供了训练数据了但我一直下载不成功。Google那个数据更大，应该要训练挺长时间的。

数据网址：https://code.google.com/archive/p/word2vec/

如果下载成功了那个，就可以把训练模型的代码改一下。（路径写对就行）

# 加载预训练模型
model_path = 'path/to/GoogleNews-vectors-negative300.bin.gz'
model = KeyedVectors.load_word2vec_format(model_path, binary=True)

然后看数据

Word.csv长这样

 结果提取的向量长这样，每一行对应一个单词的特征向量 ，一共100列就是100维的特征向量。