先來看一看結果，發現：

1.賈寶玉和襲人的關系最近。

2.薛寶釵和自己的媽媽關系最近。

3.賈寶玉和林黛玉逼格比較統一，薛寶釵屬於獨樹一幟的逼格調性。

4.大觀園中可以看到邢岫煙經常出沒...

還有更多秘密等你自己上手去訓練模型並發現...

開始寫代碼！

1from tqdm import tqdm
2#tqdm用來觀察進度條,非必須
3import jieba
4import sys
5import os

聲明一下，這裏自定義了兩個詞典分別命名為“renming.txt”和“diming.txt”,分別寫入了紅樓夢中常見人名地名，這裏展示一下格式，有需要的可以添加我微信dicey0310,我會發給你。

繼續寫代碼！

 1os.chdir("C://users//dicey//desktop")
 2# 調用 jieba分詞module後，添加單詞本（人名等）:
 3jieba.load_userdict("renming.txt")
 4jieba.load_userdict("diming.txt")
 5
 6#這裏是在百度上下載的紅樓夢完整版的txt
 7filename = ‘HongLouMeng.txt‘
 8text_lines = []
 9with open(filename,encoding=‘utf-8‘,errors=‘ignore‘) as f:
10    for line in tqdm(f):
11
 
        text_lines.append(line)
12print(‘總共讀入%d行文字‘% (len(text_lines)))
13
14#檢查一下讀入文字的正確性
15print(text_lines[17])

把紅樓夢的txt版（utf-8編碼）一行一行讀進來，用tqdm輔助顯示進度條：

1data_lines = []
2
3## 分詞並添加進列表:
4for line in tqdm(text_lines):
5    one_line = [‘ ‘.join(jieba.cut(line, cut_all=False))][0].split(‘ ‘)
6    data_lines.append(one_line)
 

開始數據預處理，去除了標點符號、數字、停用詞：

1import re
2# 標點符號 (punctuation)
3punct = set(u‘‘‘.&#:!),.:;?]}￠‘"、。〉》」』】〕〗〞︰︱︳﹐?﹒﹔﹕﹖﹗﹚﹜﹞！ .&# &# ），．＊：；Ｏ？｜｝︴︶︸︺︼︾﹀﹂﹄﹏?～￠々‖?·ˇˉ―--′’”([{￡￥‘"‵〈《「『【〔〖（［｛￡￥〝︵︷︹︻︽︿﹁﹃﹙﹛﹝（｛“‘-—_…０１２３４５６７８９‘‘‘)
4isNumber = re.compile(r‘\d+.*‘)
5with open(‘stopwords.txt‘,encoding=‘utf-8‘,errors=‘ignore‘) as f:
6    stopwords = f.read()
7filter_words = [w for w in data_words if (w not in punct)
8                and (not isNumber.search(w.lower()))and(w not in stopwords)]

引入gensim庫，並使用Word2Vec模型構造內部字典樹，和訓練神經模型：

1import gensim
2model = gensim.models.Word2Vec(iter=1) 
3# an empty model, no training yet
4model.build_vocab(data_lines) #傳入語料，構建內部字典樹
5model.train(data_lines, total_examples = len(data_lines), epochs = 100) 
6#開始訓練神經模型100次
7#epochs表示訓練次數

註意，上面這塊代碼也可換做下面這樣的簡寫法：

1import gensim
2model = gensim.models.Word2Vec(data_lines,iter=10)  
3‘‘‘
4直接把data_lines餵給World2Vec模型，
510代表會調用句子叠代器運行11次（一般來說，會運行 iter+1 次，默認情況下  iter=5）。
6第一次運行負責收集單詞和它們的出現頻率，從而構造一個內部字典樹。第二次以及以後的運行負責訓練神經模型(train)。
7‘‘‘

開始讀入我們關心的人名、地名，並打印結果：

 1test_words = [‘林黛玉‘,‘黛玉‘,‘賈寶玉‘,‘寶玉‘,‘薛寶釵‘,‘寶釵‘,‘襲人‘,‘大觀園‘,‘瀟湘館‘,‘蘅蕪苑‘,‘妙玉‘,‘櫳翠庵‘]
 2#開始讀入
 3neighbors = []
 4for test_word in test_words:
 5    neighbors.append(model.most_similar(test_word))
 6#開始打印結果
 7for i in range(len(neighbors)):
 8    str = ‘ ‘.join([x[0] for x in neighbors[i]])
 9    print(‘%s:‘ % test_words[i])
10    print(‘\t%s\n‘ % (str))

這裏展示部分結果：（每個人名、地名之後跟的是與自己關系最密切/在100維詞向量中最相近的名詞）

最後我們看一下“黛玉”的坐標（100維），以及“黛玉”和“林黛玉”之間的相似度。

1print(model["黛玉"])
2print(model.similarity("黛玉",‘林黛玉‘))

註意：相似度不為1（相似度等於1時代表詞向量在每個維度上都完全相等）。是因為叫“林黛玉”時常為正式場合，直呼“黛玉”時一般屬於日常情況，相信各位懂得~

用深度學習模型Word2Vec探索《紅樓夢》人物關系