Word2Vec训练同义词模型

业务需求的目标是识别出目标词汇的同义词和相关词汇，如下为部分目标词汇(主要用于医疗问诊)：

尿
痘痘
发冷
呼吸困难
恶心

数据源是若干im数据，那么这里我们选择google 的word2vec模型来训练同义词和相关词。

数据处理考虑以下几个方面：
1. 从hive中导出不同数据量的数据
2. 过滤无用的训练样本（例如字数少于5）
3. 准备自定义的词汇表
4. 准备停用词表

选择python 的gensim库，由于先做预研，数据量不是很大,选择单机就好，暂时不考虑spark训练。后续生产环境计划上spark。

详细的gensim中word2vec文档

上述文档有关工具的用法已经很详细了，就不多说。

分词采用jieba。

1.先做分词、去停用词处理

2.将分词的结果作为模型的输入

3.保存模型，方便以后调用，获得目标词的同义词

比较重要的参数：
1. 训练数据的大小，当初只用了10万数据，训练出来的模型很不好，后边不断地将训练语料增加到800万，效果得到了明显的提升
2. 向量的维度，这是词汇向量的维数，这个会影响到计算，理论上来说维数大一点会好。
3. 学习速率
4. 窗口大小

在调参上，并没有花太多精力，因为目测结果还好，到时上线使用前再仔细调整。

目标词	同义词相关词
尿	尿液,撒尿,尿急,尿尿有,尿到,内裤,尿意,小解,前列腺炎,小便
痘痘	逗逗,豆豆,痘子,小痘,青春痘,红痘,长痘痘,粉刺,讽刺,白头
发冷	发烫,没力,忽冷忽热,时冷时热,小柴胡,头昏,嗜睡,38.9,头晕,发寒
呼吸困难	气来,气紧,窒息,大气,透不过气,出不上,濒死,粗气,压气,心律不齐
恶心	闷,力气,呕心,胀气,涨,不好受,不进,晕车,闷闷,精神