大家好，又见面了，我是你们的朋友全栈君。

目录

一、为什么需要Word Embedding

二、Word2vec原理

1、CBOW模型

2、Skip-gram模型

三、行业上已有的预训练词向量

四、用Python训练自己的Word2vec词向量

一、为什么需要Word Embedding

在NLP（自然语言处理）里面，最细粒度的是词语，词语组成句子，句子再组成段落、篇章、文档。所以要处理 NLP 的问题，首先就要拿词语开刀。

举个简单例子，判断一个词语的情感，是积极还是消极。用机器学习的思路，我们有一系列样本(x,y)，这里 x 是词语，y 是它们的情感类别，我们要构建 f(x)->y 的映射，但这里的数学模型 f（比如神经网络、SVM）只接受数值型输入，而 NLP 里的词语，是人类的抽象总结，是符号形式的（比如中文、英文、拉丁文等等），所以需要把他们转换成数值形式，或者说——嵌入到一个数学空间里，这种嵌入方式，就叫词嵌入（word embedding)，而 Word2vec ，就是词嵌入（ word embedding) 的一种。

也就是说，我们要怎么把一堆计算机不认识的词语表示成它认识的，从而继续为我们人类服务，达到人类的目的？这个途径就是词嵌入（word embedding）：把人类理解的词语表示成在数学空间里的“词语”，这个数学空间里的“词语”能够帮助计算机去理解我们人类的语义，也就是说，知道哪些词的意思是相近的，等等，这体现在数学空间里的距离和概率等的概念上。

以上我们理解了在NLP领域word embedding的理由和重要性。

二、Word2vec原理

• Wordvec的目标是：将一个词表示成一个向量
• Word2vec中两个重要模型是：CBOW和Skip-gram模型

1、CBOW模型

• 如果是拿一个词语的上下文作为输入，来预测这个词语本身，则是 『CBOW 模型』

注意：在Hidden layer（隐藏层神经元）上没有激活功能，所以有些文章上的图示中没有标示出hidden layer，而是直接就到输出层，或者是将hidden layer称作为投影层，为什么呢，因为这个所谓的隐层的激活函数其实是线性的，所以有的人就不叫它隐藏层了，我后面就称它为投影层吧。后面的输出神经元使用softmax激活函数。

上图中我们可以理解为C个输入单词的维度是V维（可以理解为词库中共有V个词，那么V维onehot向量就可以唯一的表示这个词语），当语料库中的单词数量很多的时候，V值会超级大。

上面我们说到CBOW模型是拿一个词语的上下文作为输入，来预测这个词语本身（中心词周围的多个词来预测这个中心词），那么对应到上图中，输入就是有x1k、xCk、…、xck这些上下文词语共C个，每一个的长度是V，输出就是 y 这个中心词1个，长度也是V。在这个网络中我们的目的不是跟一般的神经网络一样去预测标签，而是想要得到完美的参数：权重，X和这个权重相乘能够唯一的表示这个词语，同时需要提到一点的是，这个词向量的维度（与隐含层节点数一致）一般情况下要远远小于词语总数 V 的大小，所以 Word2vec 本质上是一种降维操作。

Xin Rong 的论文《word2vec Parameter Learning Explained》中对Word2vec的理论完备由浅入深非常好懂，且直击要害，既有 high-level 的 intuition 的解释，也有细节的推导过程。

2、Skip-gram模型

如果是用一个词语作为输入，来预测它周围的上下文，那这个模型叫做『Skip-gram 模型』。分析与上面同理，论文里也有直观的说明。

三、行业上已有的预训练词向量

腾讯AI实验室：该语料库为超过800万个中文单词和短语提供了200维矢量表示，即嵌入，这些单词和短语是在大规模高质量数据上预先训练的。这些向量捕获中文单词和短语的语义含义，可以广泛应用于许多下游中文处理任务（例如，命名实体识别和文本分类）以及进一步的研究中。

四、用Python训练自己的Word2vec词向量

在python的第三方库gensim中有自带的Word2Vec函数来训练自己语料库的词向量，我的语料库数据存在sentence.txt文件中，每行为一句话，是经过分词和去停用词之后的数据，sg=1，是采用skip-gram来训练的意思。

from gensim.models.word2vec import Word2Vec

# 读取数据，用gensim中的word2vec训练词向量
file = open('sentence.txt')
sss=[]
while True:
    ss=file.readline().replace('\n','').rstrip()
    if ss=='':
        break
    s1=ss.split(" ")
    sss.append(s1)
file.close()
model = Word2Vec(size=200, workers=5,sg=1)  # 生成词向量为200维，考虑上下5个单词共10个单词，采用sg=1的方法也就是skip-gram
model.build_vocab(sss)
model.train(sss,total_examples = model.corpus_count,epochs = model.iter)
model.save('./data/gensim_w2v_sg0_model')            # 保存模型 
new_model = gensim.models.Word2Vec.load('w2v_model') # 调用模型
sim_words = new_model.most_similar(positive=['女人'])
for word,similarity in sim_words:
    print(word,similarity)                           # 输出’女人‘相近的词语和概率
print(model['女孩'])                                 # 输出’女孩‘的词向量