1、收集预料

• 自己写个爬虫去收集网页上的数据。
• 使用别人提供好的数据http://www.sogou.com/labs/dl/ca.html

2、对预料进行去噪和分词

• 我们需要content其中的值，通过简单的命令把非content 的标签干掉

      cat news_tensite_xml.dat | iconv -f gbk -t utf-8 -c | grep "<content>"  > corpus.txt  

• 分词可以用jieba分词：

  

  #!/usr/bin/env python
  #-*- coding:utf-8 -*-
  import jieba
  import jieba.analyse
  import jieba.posseg as pseg
  def cut_words(sentence):
      #print sentence
      return " ".join(jieba.cut(sentence)).encode('utf-8')
  f = open("corpus.txt")
  target = open("resultbig.txt", 'a+')
  print 'open files'
  line = f.readlines(100000)
  num=0
  while line:
      num+=1
      curr = []
      for oneline in line:
          #print(oneline)
          curr.append(oneline)
      '''
      seg_list = jieba.cut_for_search(s)
      words = pseg.cut(s)
      for word, flag in words:
          if flag != 'x':
              print(word)
      for x, w in jieba.analyse.extract_tags(s, withWeight=True):
          print('%s %s' % (x, w))
      '''
      after_cut = map(cut_words, curr)
      # print lin,
      #for words in after_cut:
          #print words
      target.writelines(after_cut)
      print 'saved %s00000 articles'% num
      line = f.readlines(100000)
  f.close()
  target.close()

  

3、运行word2vec输出每个词的向量

• ./word2vec -train resultbig.txt -output vectors.bin -cbow 0 -size 200 -window 5 -negative 0 -hs 1 -sample 1e-3 -threads 12 -binary 1 

  输出为vectors.bin

• 然后我们计算距离的命令即可计算与每个词最接近的词了：

  ./distance vectors.bin

4、现在经过以上的熟悉，我们进入对关键词的聚类：

• 则只需输入一行命令即可：

  ./word2vec -train resultbig.txt -output classes.txt -cbow 0 -size 200 -window 5 -negative 0 -hs 1 -sample 1e-3 -threads 12 -classes 500  

• 然后按类别排序，再输入另一个命令：

  sort classes.txt -k 2 -n > classes.sorted.txt