实践2：如何使用word2vec和k-means聚类寻找相似的城市

理解业务 

一个需求：把相似的目的地整理出来，然后可以通过这些相似目的地做相关推荐，或者是相关目的地的推荐

 

准备数据

Word2Vec算法：可以学习输入的文本，并输出一个词向量模型

 

对数据进行清洗，去出异常的数据；对文本内容进行分词；把数据存储在文本文件中

 

训练Word2Vec模型

import gensimimport osimport reimport sysimport multiprocessing #引入多线程操作from time import timeclass getSentence(object):#初始化，获取文件路径   def __init__(self,dirname):     self.dirname=dirname#构建一个迭代器def __iter__(self):   for root,dirs,files in os.walk(self.dirname):      for filename in files:         file_path = root +'/'+filename         for line in open(file_path):              try:             #清除异常数据，主要是去除空白符以及长度为0的内容                 s_line = line.strip()                 if s_line=="":                       continue       #把句子拆成词                 word_line = [word for word in s_line.split()]                 yeild word_line               except Exception:                  print("catch exception")                  yeild ""if __name__='__main__':#记录一个起始时间   begin=time()#获取句子迭代器   setences=getSentences("traindata")#训练word2vec模型，使用句子迭代器作为语料的输入，设定的最终向量长度为200维；窗口长度为15；词的最小计数为10，词频少于10的词不会进行计算；使用并行处理   model=gensim.models.Word2Vec(sentences,size=200,window=15,min_count=10,workers=multiprocessing.cpu_count())#模型存储，这块记得预先新建一个model路径，或者增加一段代码来识别是否已经创建，如果没有则新建一个路径    model.save("model/word2vec_gensim")    model.wv.save_word2vec_format("model/word2vec_org",                "model/vocabulary",binary=False)    end.time() #输出运算所用时间    print("Total processing time:%d seconds" % (end-begin))   

 

训练k-means模型

import gensimfrom sklearn.cluster import KMeansfrom sklearn.externals import joblibfrom time import time#加载之前已经训练好的word2vec模型def load_model():  model=gensim.models.Word2Vec.load('../word2vec/model/word2vec_gensim')   return model#加载城市名称词库   fd=open("mddwords.txt","r")   filterword=[]   for line in fd.readlines():      line=line.strip()      fliterword.append(line)   return fliterwordif __name__=="__main__":  start=time()#加载word2vec模型  model=load_filterword()#输出词汇表长度  print(len(filterword))  wordvector=[]  filterkey={}#获取城市名称词库的词向量  for word in filterword:     wordvector.append(model[word])     filterkey[word]=model[word]#输出词汇数量  print(len(wordvector))#训练K-means模型，这里设置的聚类数为2000，最大迭代次数为100，n_jobs设置的是有多少个任务同时在跑，这样可以进行多组实验来消除初始化点带来的影响  clf=KMeans(n_clusters=2000,max_iter=100,n_jobs=10)  s=clf.fit_predict(wordvector)#把模型保存下来   joblib.dump(clf,"kmeans_mdd2000.pkl")   labels=clf.labels_   labellist=labels.tolist()   print(clf.inertia_)#把所有城市名称的聚类标签保存下来   fp=open("label_mdd2000",'w')   fp.write(str(labellist))   fp.close()#把所有城市名称保存下来，其中顺序与聚类标签顺序一致     fp1=open("keys_mdd2000",'w')   for k in filterkey:      fp1.write(key+'\n')   print("over")   end=time()   print("use time")   print(end-start)

最终确定的聚类簇数是100

 

把这些数据存储到数据库中，并在具体的业务中进行应用