Gensim模块
一款开源的第三方Python工具包，用于从原始的非结构化的文本中，无监督地学习到文本隐层的主题向量表达。它支持包括TF-IDF，LSA，LDA和word2vec在内的多种主题模型算法。
训练语料的预处理：
通常需要对原始的文本进行分词、去除停用词等操作得到每一篇文档的特征列表。
利用gensim训练word2vec
word2vec简介：word2vec基于语言学中经典的分布式假设，包含了基于中心词预测周围词的skip-gram和基于周围词预测中心词的CBOW两大类方法，同时为了解决词表庞大带来的softmax计算问题，可分别采用基于Huffman树的层次softmax方法以及基于局部小样本优化的negative sampling方法来减少计算规模。
● gensim中与word2vec模型相关的重要类包括：
①gensim.models.keyedvectors.Word2VecKeyedVectors
词向量，记录了每个分词对应的n_dim维向量
②gensim.models.word2vec.Word2VecVocab
词字典，记录了分词字典，可用字典或通过Huffman树的形式存储
③gensim.models.word2vec.Word2VecTrainables
用全连接神经网络NN训练出来的权重矩阵
④gensim.models.word2vec.LineSentence
参数可为文件路径或者文件流对象
● word2vec是直接训练word
2vec词向量的类，其参数包括：
santence：语料，可为双层列表，即外层为sentence，内层为token，或者通过gensim.models.word2vec.LineSentence封装的语料文件；
size：词嵌入空间，默认值100；
window：上下文窗口大小c（整个上下文+中心词长度问2c+1），默认值5；
min-count：低频词阈值，在构建词汇表时不考虑频数低于该参数的值，默认值为5；
workers：并行数，如设定workers=multiprocessing.cup_count()；
sg：模型框架，0-CBOW , 1-skip-gram；
hs：优化算法，0-negative-sampling，1-层softmax；
negative：负采样的个数，一般为5-20；
ns_exponent：负采样分布的幂指数，一般为0.75；
cbow_mean：在CBOW框架中，采用均值或和。0-和，1-均值；
alpha：梯度下降算法的学习率；
min_alpha：最小学习率，使得学习率动态线性下降。动态策略，可由min_alpha、alpha和iter共同得到；
max_vocab_size：限制RAM大小；
max_final_vocab：限制词汇表中的词个数；
sample：高频词的下采样阈值，即高于该值的词将采用下采样，默认值1e-3；
hashfxn：对初始词向量进行hash操作；
iter：迭代的epoch；
trim_rule：可定义对低频次的处理函数，默认None，即遵从min_count参数设定；
sorted_vocab：是否在构建词汇时，先对词进行长度排序，再编码。默认是；
compute_loss：是否保存中间的损失记录。

● 常用方法和属性
①model.wv
返回词向量对象
②model.wv.get_vector("word")
word词的向量
③model.wv.vocab
词汇表
④model.wv.most_similar("word")
最接近word的词向量
⑤model.wv.similar_by_word('word', topn=10)
最接近word的topn个的词向量
⑥model.wv.similarity('wd1', 'wd2')
wd1和wd2的相似度（夹角余弦）
⑦model.wv.doesnt_match(['wd1', 'wd2', 'wd3', 'wd4'])
词中不是同一类的
⑧model.save
整个训练模型的保存
⑨model.wv.save_word2vec_format( vector_file_path, vocab_file_path,, binary=False)
词向量的存储，分别存储为向量文件txt文件和模型bin文件（可为二进制或非二进制），注意顺序
⑩word2vec.Word2Vec.load()
整个模型的导入，然后主要调用其下wv的方法
⑩+①gensim.models.KeyedVectors.load_word2vec_format
直接导入词向量