Gensim

spacy

cython编写的NLP库
pip install spacy
python -m spacy download en_core_web_sm

从github spacy model下载,并安装
pip install en_core_web_sm_3.00.tar.gz

word2vec在捕捉词汇之间的词法关系方面能力很强，但是生成的向量在很大程度上无法解释，并且很难表征文档。 
而另一方面，LDA可以被很好地被理解，但是不能像word2vec这样对本局部词汇关系进行建模。 
此时LDA2VEC应运而生，该模型可以构建词汇和文档主题，使其可解释。

在Gensim的算法，比如Word2Vec，Doc2Vec，FastText，TF-IDF，
潜在语义分析（LSI，LSA，see LsiModel），
隐含狄利克雷分布（LDA，见LdaModel）, 随机投影（RpModel）等，
自动训练文档的躯体内检查统计共生模式发现的文件的语义结构。
这些算法是无监督的，这意味着不需要人工输入 - 您只需要一个纯文本文档。

word2vec

from gensim.models import word2vec

sentences = word2vec.LineSentence()
model = word2vec.Word2Vec('model.dat')
model.save()
model = word2vec.Word2Vec.load('model.dat')

wv.most_similar()
wv.similar_by_word()
wv.similarity()
wv.doesnt_match()
wv.predict_output_word()


word2vec.Word2Vec(sentences=None, size=100, alpha=0.025, window=5, min_count=5, 
                  max_vocab_size=None, sample=0.001, seed=1, workers=3, min_alpha=0.0001,
                  sg=0, hs=0, negative=5, cbow_mean=1, hashfxn=, iter=5, null_word=0,
                  trim_rule=None, sorted_vocab=1, batch_words=10000)

参数:
sentences：可以是一个list，对于大语料集，建议使用BrownCorpus,Text8Corpus或LineSentence构建。

sg： 用于设置训练算法，默认为0，对应CBOW算法；sg=1则采用skip-gram算法。

size：是指特征向量的维度，默认为100。大的size需要更多的训练数据,但是效果会更好. 推荐值为几十到几百。

window：表示当前词与预测词在一个句子中的最大距离是多少

alpha: 是学习速率

seed：用于随机数发生器。与初始化词向量有关。

min_count: 可以对字典做截断. 词频少于min_count次数的单词会被丢弃掉, 默认值为5

max_vocab_size: 设置词向量构建期间的RAM限制。如果所有独立单词个数超过这个，则就消除掉其中最不频繁的一个。每一千万个单词需要大约1GB的RAM。设置成None则没有限制。

sample: 高频词汇的随机降采样的配置阈值，默认为1e-3，范围是(0,1e-5)

workers参数控制训练的并行数。

hs: 如果为1则会采用hierarchical softmax技巧。如果设置为0（defaut），则negative sampling会被使用。

negative: 如果>0,则会采用negativesamping，用于设置多少个noise words

cbow_mean: 如果为0，则采用上下文词向量的和，如果为1（defaut）则采用均值。只有使用CBOW的时候才起作用。

hashfxn： hash函数来初始化权重。默认使用python的hash函数

iter： 迭代次数，默认为5

trim_rule： 用于设置词汇表的整理规则，指定那些单词要留下，哪些要被删除。可以设置为None（min_count会被使用）或者一个接受()并返回RU·E_DISCARD,uti·s.RU·E_KEEP或者uti·s.RU·E_DEFAU·T的函数。

sorted_vocab： 如果为1（defaut），则在分配word index 的时候会先对单词基于频率降序排序。

batch_words：每一批的传递给线程的单词的数量，默认为10000