词向量
one hot 编码
在自然语言处理中，为了将自然语言转化为计算机所能识别的语言，就要对它重新编码，起初使用one hot编码。
一共能产生14901维。
问题：占用太大空间，词和词之间的相识度无法体现。也就是所说的稀疏化。
one hot代码如下：
from sklearn.preprocessing import OneHotEncoder
# lables = ['ni','号','ni','meimei']
lables = [0,1,0,4]
lables = np.array(lables).reshape(len(lables),-1)
enc = OneHotEncoder()
enc.fit(lables)
target = enc.transform(lables).toarray()
print(target)
词向量编码思想
我们需要将上面的one hot 编码转化为如图所示的编码：
主要有两种假说，今天我们只谈当今的主流思想： Distributed models
Word2Vec
Word2vec 是代码项目的名字，只是计算词嵌入（word embedding）的一个工具，是CBOW和Skip-Gram这两个模型的合体，目前这套工具完全开源。
CBOW是利用词的上下文预测当前的单词；而Skip-Gram则是利用当前词来预测上下文。
Word2Vec代码
# 训练模型定义
from gensim.models import Word2Vec
model = Word2Vec(sentences, sg=1, size=100, window=5, min_count=5, negative=3, sample=0.001, hs=1, workers=4)
# 训练后的模型保存与加载
model.save("model_name")
# 加载模型
model = Word2Vec.load("model_name")
# 模型的使用
#词向量加减
model.most_similar(positive=['woman', 'king'], negative=['man'])
#输出[('queen', 0.50882536), ...]
# 寻找指定词语最相似的词语
print model.most_similar('morning', topn=1)
model.doesnt_match("breakfast cereal dinner lunch".split())
#输出'cereal'
# 计算词语的相似度
model.similarity('woman', 'man')
#输出0.73723527
model['computer'] # raw numpy vector of a word
#输出array([-0.00449447, -0.00310097, 0.02421786, ...], dtype=float32)
Word2Vec参数描述：
1.sg=1是skip-gram算法，对低频词敏感；默认sg=0为CBOW算法。
2.size是输出词向量的维数，值太小会导致词映射因为冲突而影响结果，值太大则会耗内存并使算法计算变慢，一般值取为100到200之间。
3.window是句子中当前词与目标词之间的最大距离，3表示在目标词前看3-b个词，后面看b个词（b在0-3之间随机）。
4.min_count是对词进行过滤，频率小于min-count的单词则会被忽视，默认值为5。
5.negative和sample可根据训练结果进行微调，sample表示更高频率的词被随机下采样到所设置的阈值，默认值为1e-3。
6.hs=1表示层级softmax将会被使用，默认hs=0且negative不为0，则负采样将会被选择使用。
7.workers控制训练的并行，此参数只有在安装了Cpython后才有效，否则只能使用单核。
Embedding
Word2Vec中从输入到隐层的过程就是Embedding的过程。 Embedding的过程就是把多维的onehot进行降维的过程，是个深度学习的过程。满足：
嵌入层向量长度可设置
映射过程是全连接
嵌入层的值可训练
由高维度映射到低纬度，减少参数量
