google最近新开放出word2vec项目，该项目使用deep-learning技术将term表示为向量，由此计算term之间的相似度，对term聚类等，该项目也支持phrase的自动识别，以及与term等同的计算。
word2vec（word to vector）顾名思义，这是一个将单词转换成向量形式的工具。通过转换，可以把对文本内容的处理简化为向量空间中的向量运算，计算出向量空间上的相似度，来表示文本语义上的相似度。
具体的原理还没有去了解，在这里谈一下怎么个应用法
- 分词
1） 本人下载的是搜狗实验室的互联网媒体新闻语料，先从语料中提取出每篇文章的正文，在提取的过程中进行过滤操作，因为同一篇文章可能被多个媒体报道，如果不对文章进行排重的话，会对最终的结果有一些影响，从过滤的结果上看，100篇文章中大概有35篇是出现不止一次的，所以这一步还是挺必要的。
2） 提取出正文后进行分词，且在分词过程中统计词频，因为Word2Vec在运行过程中，占用内存的大小是由独立词的个数决定的，所以统计完词频后将分词后的结果中的低频词去掉，在不去掉的情况下，大概要用到20G的内存空间，而只取前10万个高频词的时候只需要1G的空间就可以了。本人用的是FudanNLP的开源分词软件，分词速度还可以，大概300k/s，在i5-3470，8G内存的平台上进行。不过美中不足的是分词的正确率感觉不大高，很多长词被拆分成短词了，估计是词库的问题。
具体的代码如下:
新闻结构存储
1 package cn.com.juefan.word2vec;
2
3 import java.util.regex.Matcher;
4 import java.util.regex.Pattern;
5
6 public class Word2VecData {
7
8 public String TEXT = new String();
9 public String urlString = new String();
10 public String titleString = new String();
11 public String contentString = new String();
12
13 public Word2VecData(String string){
14 TEXT = string;
15 urlString = match("url" );
16 titleString = match("contenttitle");
17 contentString = match("content");
18
19 }
20
21 /**
22 * 匹配提取出内容
23 * @param string 搜狗数据集(一行)
24 * @return 提取的有效内容
25 */
26 public String match(String string){
27 String regex = "<" + string + ">" + ".*?" + "</" + string + ">";
28 Pattern p = Pattern.compile(regex, Pattern.CANON_EQ);
29 Matcher matcher = p.matcher(TEXT);
30 while(matcher.find()){
31 return matcher.group().replace("<" + string + ">" , "").replace("</" + string + ">", "");
32 }
33 return null;
34 }45 }
46
47 }
1 package cn.com.juefan.word2vec;
2
3 import java.io.BufferedReader;
4 import java.io.File;
5 import java.io.FileInputStream;
6 import java.io.FileReader;
7 import java.io.FileWriter;
8 import java.io.InputStreamReader;
9 import java.util.HashSet;
10 import java.util.Map;
11 import java.util.Scanner;
12 import java.util.Set;
13
14 import edu.fudan.juefan.personer.StopWord;
15 import edu.fudan.ml.types.Dictionary;
16 import edu.fudan.nlp.cn.tag.CWSTagger;
17 import edu.fudan.nlp.cn.tag.POSTagger;
18
19 public class SplitContent {
20
21 /**
22 * 将指定内容写入指定文件中
23 * 以追加的方式写入
24 * @param fileWriter 文件路径
25 * @param context 存储内容
26 * @param bool 是否覆盖写入
27 */
28 public static void FileWrite(String fileName, String context, boolean bool){
29 try{
30 @SuppressWarnings("resource")
31 FileWriter fileWriter = new FileWriter(fileName, bool);
32 fileWriter.write(context);
33 fileWriter.flush();
34 }catch (Exception e) {
35 }
36 }
37
38 public static void main(String[] args) throws Exception {
39 Set<String> set = new HashSet<String>();
40 /**加载分词器*/
41 CWSTagger tag2 = new CWSTagger("./models/seg.m");
42 String fileNameString = "\\output\\sogou\\SplitContent_";
43
44 /**加载停用词
45 * 该类是自己写的，个人可以自己写一个，主要是对分词后的结果进行过滤操作
46 */
47 StopWord stopWord = new StopWord();
48 int TRAC = 0;
49 int NUM = 0;
50 StringBuilder builder = new StringBuilder();
51 BufferedReader reader = null;
52 try{
53 /**读取搜狗语料*/
54 File fileScanner = new File(System.getProperty("user.dir") + "\\input\\news_tensite_xml.txt");
55
56 if(new File(System.getProperty("user.dir") + "\\input\\news_tensite_xml.txt").exists()){
57 System.out.println("正在读取文件......");
58 InputStreamReader isr = new InputStreamReader(new FileInputStream(fileScanner), "GBK");
59 reader = new BufferedReader(isr);
60 String tmString = null;
61 while((tmString = reader.readLine()) != null){
62 builder = builder.append(tmString);
63
64 /**搜狗语料的结构为每6行构成一篇报道*/
65 if(++TRAC % 6 == 0){
66 Word2VecData data = new Word2VecData(builder.toString());
67 if(!set.contains(data.contentString)){
68 /**上面是判断该新闻是否与出现过，下面是将分词后的结果进行停用词过滤操作,且每50000篇文章为一个小文件*/
69 stopWord.Filtration(tag2.tag(data.contentString));
70 FileWrite(System.getProperty("user.dir") + fileNameString + Integer.toString(NUM++ / 50000), stopWord.builder.toString() + "\n", true);
71 set.add(data.contentString);
72 if(NUM % 10000 == 0)
73 System.out.println(NUM);
74 }
75 builder.delete(0, builder.length());
76 }
77 }
78 System.out.println("读取文件成功!");
79 }
80 }catch (Exception e) {
81 System.out.println("文件不存在!");
82 }
83 }
84
85 }
==================久违了，写一下Word2Vec的操作====================
上面的是语料的分词，接下来就利用分词后的语料进行Word2Vec的训练了
步骤1：
首先要做的肯定是从官网上下载word2vec的源码：http://word2vec.googlecode.com/svn/trunk/ ，然后把其中makefile文件的.txt后缀去掉，在终端下执行make操作，这时能发现word2vec文件夹下多了好几个东西。
如果make不成功的话，需要修改makefile的内容，把第四行修改为
CFLAGS = -lm -pthread -O2 -Wall -funroll-loops然后再进行make编译，这回估计就能成功了！
步骤2：
对语料进行训练，在Word2Vec文件夹下会有一个word2vec程序，执行
./word2vec sougo.txt vertors.bin
./word2vec -train resultbig.txt -output vectors.bin -cbow 0 -size 200 -window 5 -negative 0 -hs 1 -sample 1e-3 -threads 12 -binary 1此时将会训练生成词向量文件vertors.bin
步骤3：
调用vertors.bin文件输出词的相似词结果，执行
[juefan@xxx Word2Vec]$ ./distance vectors.bin
Enter word or sentence (EXIT to break):此时只要输入一个词，就能够输出对应的相关词了
参数说明：
参数解释：
-train 训练数据
-output 结果输入文件，即每个词的向量
-cbow 是否使用cbow模型，0表示使用skip-gram模型，1表示使用cbow模型，默认情况下是skip-gram模型，cbow模型快一些，skip-gram模型效果好一些
-size 表示输出的词向量维数
-window 为训练的窗口大小，8表示每个词考虑前8个词与后8个词（实际代码中还有一个随机选窗口的过程，窗口大小<=5)
-negative 表示是否使用NEG方，0表示不使用，其它的值目前还不是很清楚
-hs 是否使用HS方法，0表示不使用，1表示使用
-sample 表示 采样的阈值，如果一个词在训练样本中出现的频率越大，那么就越会被采样
-binary 表示输出的结果文件是否采用二进制存储，0表示不使用（即普通的文本存储，可以打开查看），1表示使用，即vectors.bin的存储类型
除了上面所讲的参数，还有：
-alpha 表示 学习速率
-min-count 表示设置最低频率，默认为5，如果一个词语在文档中出现的次数小于该阈值，那么该词就会被舍弃
-classes 表示词聚类簇的个数，从相关源码中可以得出该聚类是采用k-means
晒一下结果出来给大家看下。。。
没有做过对比，不过个人感觉这个效果是挺不错的了。。。。点赞！
