gensim學習筆記

1、詞向量建模的word2vec模型和用於長文字向量建模的doc2vec模型

在gensim中實現word2vec模型非常簡單。首先，我們需要將原始的訓練語料轉化成乙個sentence的迭代器；每一次迭代返回的sentence是乙個word（utf8格式）的列表：

class
mysentences(object):
def__init__
(self, dirname):
self.dirname =dirname
def__iter__
(self):
for fname in
os.listdir(self.dirname):
for line in
open(os.path.join(self.dirname, fname)):
yield
line.split()
sentences = mysentences('
/some/directory
') #
a memory-friendly iterator

接下來，我們用這個迭代器作為輸入，構造乙個gensim內建的word2vec模型的物件（即將原始的one-hot向量轉化為word2vec向量）：

model = gensim.models.word2vec(sentences)

我們也可以指定模型訓練的引數，例如採用的模型（skip-gram或是cbow）；負取樣的個數；embedding向量的維度等。

model = gensim.models.word2vec.load('
/tmp/mymodel')
model.train(more_sentences)

若要檢視某乙個word對應的word2vec向量，可以將這個word作為索引傳遞給訓練好的模型物件：

model['
computer
'] #
raw numpy vector of a word

doc2vec是mikolov在word2vec基礎上提出的另乙個用於計算長文字向量的工具。它的工作原理與word2vec極為相似——只是將長文字作為乙個特殊的token id引入訓練語料中。在gensim中，doc2vec也是繼承於word2vec的乙個子類。因此，無論是api的引數介面還是呼叫文字向量的方式，doc2vec與word2vec都極為相似。

主要的區別是在對輸入資料的預處理上。doc2vec接受乙個由labeledsentence物件組成的迭代器作為其建構函式的輸入引數。其中，labeledsentence是gensim內建的乙個類，它接受兩個list作為其初始化的引數：word list和label list。

from gensim.models.doc2vec import
labeledsentence
sentence = labeledsentence(words=[u'
some
', u'
words
', u'
here
'], tags=[u'
sent_1
'])

類似地，可以構造乙個迭代器物件，將原始的訓練資料文字轉化成labeledsentence物件：

class
labeledlinesentence(object):
def__init__
(self, filename):
self.filename =filename
def__iter__
(self):
for uid, line in
enumerate(open(filename)):
yield labeledsentence(words=line.split(), labels=['
sent_%s
' % uid])

準備好訓練資料，模型的訓練便只是一行命令：

from gensim.models import
doc2vec
model = doc2vec(dm=1, size=100, window=5, negative=5, hs=0, min_count=2, workers=4)

該**將同時訓練word和sentence label的語義向量。如果我們只想訓練label向量，可以傳入引數train_words=false以固定詞向量引數，傳入引數訓練可用

model.train(sentense)

2、ldamodel lda主題聚類模型

首先介紹下ldamodel的幾個屬性和方法。

如果用get_term_topics(word_id)，只會獲得在整個樣本下，某個詞屬於某些主題的可能性，而並不是針對特定文件的某個詞屬於某些主題的可能性。顯然，使用get_document_topics(bow, per_word_topics=true)可以得到，比如：

整個返回是個元組，形式為([a],[b],[c])，上圖中第一行為a列表，顯示的內容是可能性大於minimum_probability的主題及其可能性；第二行為b列表，顯示每個詞及其可能屬於的主題，且其可能性大於minimum_phi_value；第三行為c列表，顯示每個詞及其可能屬於的主題以及可能性。如果只使用get_document_topics(bow)那麼只會顯示第一行資料。

演算法部分，確實主題是根據上下文有變化的，在gensim包中，應用的是em演算法，但卻不是原始**中使用的變分em演算法，當然主要思想是一致的。就像批最優化與隨機最優化的關係，哈夫曼的演算法中，沒有將所有文件整體帶入進行迭代計算，而是對每一篇文件進行迭代計算，使得當前文件具有最優的doc-topic和topic-word分布，直至所有文件迭代完。所以在計算新文件時，只需對新文件再進行一次迭代更新（這也是為什麼num_updates等於文件數的，因為每個文件都會更新一次）就可獲得新文件相應的分布。

gensim學習筆記

機器學習必會工具gensim

gensim安裝教程

Anaconda環境下安裝gensim

gensim學習筆記

機器學習必會工具gensim

gensim安裝教程

Anaconda環境下安裝gensim

相關推薦