這裏，我們不講word2vec的原理（其實是還了解不透徹，以後明白了再寫，大家在閱讀本文之前，可以先簡單瞭解一下其推理過程），就只瞭解其參數和輸入輸出。網上還有對word2vec用tensorflow進行的實現，以後再說吧。
1.Word2vec作用：表達不同詞之間的相似和類比關係
2.安裝方法：pip install --upgrade gensim #因爲Gensim開發了一套工具箱叫做gensim，裏面繼承了Word2vec方法。
3.輸入參數格式：
import gensim
#sentences=[["a","b"],["b","c"] ... ]
sentences=word2vec.Text8Corpus("test.txt") #text8爲語料庫文件名
#sentences是訓練所需預料，可通過該方式加載，此處訓練集爲英文文本或分好詞的中文文本
sentences是訓練所需材料，可通過兩種格式載入：
1.文本格式：
將每篇文章 分詞去停用詞後，用空格分割，將其存入txt文本中（每一行一篇文章）
這個格式文本處理後，便可通過 sentences=word2vec.Text8Corpus("test.txt") 將其讀取爲參數格式
2.list嵌套格式
將每篇文章 分詞去停用詞後，存入list中。
即[ [第一篇文章分詞結果] , [第二篇文章分詞結果]， …]
4.模型構建參數詳解：
在得到正確形式的sentences參數，便可將其帶入生成模型的函數中，生成模型：
model=gensim.models.Word2Vec(sentences,sg=1,size=100,window=5,min_count=2,negative=3,sample=0.001,hs=1,workers=4)
#該步驟也可分解爲以下三步（但沒必要）：
#model=gensim.model.Word2Vec() 建立一個空的模型對象
#model.build_vocab(sentences) 遍歷一次語料庫建立詞典
#model.train(sentences) 第二次遍歷語料庫建立神經網絡模型
#sg=1是skip—gram算法，對低頻詞敏感，默認sg=0爲CBOW算法
#size是神經網絡層數，值太大則會耗內存並使算法計算變慢，一般值取爲100到200之間。
#window是句子中當前詞與目標詞之間的最大距離，3表示在目標詞前看3-b個詞，後面看b個詞（b在0-3之間隨機）
#min_count是對詞進行過濾，頻率小於min-count的單詞則會被忽視，默認值爲5。
#negative和sample可根據訓練結果進行微調，sample表示更高頻率的詞被隨機下采樣到所設置的閾值，默認值爲1e-3,
#negative: 如果>0,則會採用negativesamping，用於設置多少個noise words
#hs=1表示層級softmax將會被使用，默認hs=0且negative不爲0，則負採樣將會被選擇使用。
#workers是線程數，此參數只有在安裝了Cpython後纔有效，否則只能使用單核
Word2vec官方手冊上還有很多參數說明:
我們並不需要全部瞭解，大部分參數都可以使用其默認值（不輸入），而其中比較重要的有：
# min_count，是去除小於min_count的單詞
# size，神經網絡層數
# sg， 算法選擇
# window， 句子中當前詞與目標詞之間的最大距離
# workers，線程數
5.模型操作：
在構建好模型model後：
1.保存模型：
model.save("文本名") #模型會保存到該 .py文件同級目錄下，該模型打開爲亂碼
#model.wv.save_word2vec_format("文件名"，binary = "Ture/False") #通過該方式保存的模型，能通過文本格式打開，也能通過設置binary是否保存爲二進制文件。但該模型在保存時丟棄了樹的保存形式（詳情參加word2vec構建過程，以類似哈夫曼樹的形式保存詞），所以在後續不能對模型進行追加訓練
.save保存的模型打開：
.wv.save_word2vec_format保存的模型打開：
2.加載模型：
#對.sava保存的模型的加載：
gensim.models.Word2Vec.load("模型文件名")
#對..wv.save_word2vec_format保存的模型的加載：
model = model.wv.load_word2vec_format('模型文件名')
3.模型追加訓練：
model.train(more_sentences)
如果對..wv.save_word2vec_format加載的模型進行追加訓練，會報錯：
AttributeError: 'Word2VecKeyedVectors' object has no attribute 'train'
6.輸出：
計算一個詞的最近似的詞：
model.most_similar("word",topn=10) #計算與該 詞最近似的詞，topn指定排名前n的詞
計算兩個詞的相似度：
model.similarity("word1","word2")
獲取詞向量（有了這個不就意味着可以進行相關詞語的加減等運算，雖然我不是太懂）：
model ['word']
結果（因爲用於測試的文本數量不足，所得數據可能不太準確）：
