自编译word2vec函数优化

自编译函数需要自己设置环境，只有两个函数：word2vec和distance。注意事项如下：

1）仔细阅读“.c.call extensions.pdf”文件，该文件详细写出了如何在计算机中搭建一个适用于R语言的二进制数据库。

2）Windows系统下，需要下载“Rtools.exe”文件，并改变环境变量的路径，同时重启计算机。

3）查看train_word2vec.R，其中有在R中如何调用word2vec的API。

具体的可以从http：//download.csdn.net/download/sinat_26917383/9513075下载得到完整的自编译函数、说明以及上述提到的PDF文档。

● word2vec函数

＞word2vec＜-function（train_file，output_file，

binary=1， #输出格式，1—binary，0—txt

cbow=0， #训练算法，0—n-gram模型，1—词袋模型（CBOW）

num_threads=1，#线程数

num_features=300， #输出的词向量维数

window=10， #窗口大小(www.xing528.com)

min_count=40， #最低词频，默认为5

sample=1e-3， #下采样阈值（词频下限，建议.00001-.01）

classes=0）

除了上面所提到的参数，还有：

①alpha表示学习速率。

②classes表示词聚类簇的个数，从相关源码中可以得出，该聚类一般采用k-means算法，模型训练完成之后，得到了.bin这个词向量文件，文件的存储类型由binary参数决定，如果为0，便可以直接用编辑器打开，进行查看。

● distance函数

其中word2vec中提供了distance求词的cosine相似度，并排序。也可以在训练时，设置-classes参数来指定聚类的簇个数，使用kmeans进行聚类。

由于word2vec计算的是余弦值，距离范围为0～1之间，值越大代表这两个词关联度越高，所以越排在上面的词与输入的词越紧密。

distance（file_name，word，size）输出是一个list，然后可以得到cos距离。