天才一秒记住【畅想小说网】地址：http://www.cxtra.net
In[2]：fromgeWord2Vec
In[3]：fromgensimodels.word2vecimportLience
打开语料库文件，这里的语料库文件已经经过必要地处理，可以直接使用。
In[4]：inp=code（'xiaoao.txt'，'r'，'utf-8'）
使用gensim的词向量训练工具进行训练。
参数size表示训练好的词向量的维数，window表示需要考虑的上下文的长度，min_t表示所考虑的词出现的最低次数，低于此数的词将被忽略。
训练完成后把模型和向量保存起来，以备将来使用。
In[5]：model=Word2Vetenp），size=300，window=7，
min_t=5）
In[5]：model.save（'xiaoao.model'）
In[6]：model.wv.save_word2veat（'xiaoao.vector'，binary=False）
训练完成后，可通过调用相应的模型使用训练完成的词向量。
In[7]：impensim
In[8]：model=gensimodels.Word2Vec.load（"xiaoao.model"）
查看与“盈盈”
关联密切的词汇，输出结果如下。
I_similar（"盈盈"）
Out[9]：
[（'岳灵珊'，0.9394630193710327），
（'林平之'，0.9115134477615356），
（'举杯'，0.8917326927185059），
（'田伯光'，0.8862934112548828），
（'摇'，0.8862836956977844），
（'曲非烟'，0.8856724500656128），
（'忙'，0.8839414119720459），
（'走'，0.8811073303222656），
（'一眼'，0.8792630434036255），
（'曲非'，0.8775876760482788）]
这里的输出结果是根据词向量计算出的与“盈盈”
关系最密切的词的前十名。
可以看到有一定的道理，但是也有些不准确或者奇怪的输出。
这跟训练语料的大小、语料的处理过程、网络参数的设置等因素都有关系，读者可以尝试进行进一步的改进，通常能够得到更精确的结果。
本章未完，请点击下一章继续阅读！若浏览器显示没有新章节了，请尝试点击右上角↗️或右下角↘️的菜单，退出阅读模式即可，谢谢！