上一节课相信大家已经训练出来了一个DJ的基础模型，本节课我们学习文本向量的处理，让AI去阅读《水浒传》，大家自行百度下载水浒传.txt。

分词

首先将水浒传分词，本人使用的是

<dependency>
      <groupId>com.hankcs</groupId>
      <artifactId>hanlp</artifactId>
      <version>portable-1.7.3</version>
</dependency>

代码如下：

public static void data(File source, File save) throws IOException {
        BufferedReader bufferedReader = new BufferedReader(new InputStreamReader(  new FileInputStream(source), "UTF-8"));
        if(!save.exists()){
            save.createNewFile();
        }
        OutputStreamWriter writerStream = new OutputStreamWriter( new FileOutputStream(save), "UTF-8");
        BufferedWriter writer = new BufferedWriter(writerStream);
        String line = null;
        long startTime = System.currentTimeMillis();
        while ((line = bufferedReader.readLine()) != null) {
            StringBuilder stringBuilder = new StringBuilder();
            for (Term term : HanLP.segment(line)) {
                if (stringBuilder.length() > 0) {
                    stringBuilder.append(" ");
                }
                stringBuilder.append(term.word.trim());
            }
            writer.write( stringBuilder.toString() + "\n");
        }
        writer.flush();
        writer.close();
        System.out.println(System.currentTimeMillis() - startTime);
        bufferedReader.close();
    }

说明：加载小说，使用HanLP进行逐行分词并将结果以空格隔开，保存到硬盘中。

Word2Vec向量处理

public void train(String filePath) throws FileNotFoundException {
        SentenceIterator iter = new BasicLineIterator(new File(filePath));

        TokenizerFactory t = new DefaultTokenizerFactory();
        t.setTokenPreProcessor(new CommonPreprocessor());

        log.info("Building model....");
        Word2Vec vec = new Word2Vec.Builder().
                minWordFrequency(5)//出现频率小于5的不参与建模
                .iterations(1)
                .layerSize(200)//词向量长度
                .seed(42)
                .windowSize(5)//上下文窗口长度
                .iterate(iter)
                .tokenizerFactory(t)
                .build();
        vec.fit();
        String[] names = {"大哥","林冲","宋江","武松","及时雨","招安","梁山"};
        log.info("Closest Words:");

        for (String name : names) {
            System.out.println(name + ">>>>>>");
            Collection<String> lst = vec.wordsNearest(name, 10);
            System.out.println(lst);
        }
    }

说明：传入分词后的文件地址，把数据传给Word2Vec，调用wordsNearest输出与关键字相近的10个词语。

输出结果

image.png

提醒

AI模型的准确率有很多一部分取决于训练集的整理，在实战操作时多数时候也会花在数据整理上。希望大家能深度理解一下Word2Vec

下一节课讲解图片分类

本人诚接各类商业AI模型训练工作，如果您是一家公司，想借助AI解决当前服务问题，可以联系我。微信号:CompanyAiHelper