[Python] Word2Vec 예제

연관 단어 분석을 위한 방법

자세한 사항은 검색엔진을 통해 'Word2Vec 예제'를 검색해 볼 것

 

 

def Test41():
    from gensim.models import word2vec
    from konlpy.tag import Okt
    # example#1 : https://ngio.co.kr/9519

    sentence0 = "저도 서랍장 하려다가..... 짐이 차에 다 안들어가서 참앗는데!저도 맥시멀이라 ㅋㅋㅋ 뭐가없음 화가 단단히 나서😭 저도 한번 도전해 봐야겟어요 ㅋㅋ 감성은... 멀찌감치 보냇어서n|뭐가 없음 화가 단단히 나는것.... 너무 공감해서 무릎을 탁 쳤네요.ㅋㅋㅋㅋ 서랍장은 도라에몽들에게는 정말 선물같은 존재예요.ㅋㅋㅋn|스타렉스가 갑이네여 ㅎㅎㅎn|2인짐이 스타렉스 5벤 트렁크를 꽉 채우고도 넘치는.....n|차를 바꿔야하나.... 하고 급 고민되네요 ㅋㅋㅋn|스타렉스에 짐싣기 시작하면.... 카니발도 작아보이는 매직에 빠지게 되실거예요....n|올리브홍헉.... 스타렉스.....!!!! 대박이네요.....^^;n|노력하는배짱이캠핑전에는 알지 못했던 스타렉스의 매력이죠.ㅋㅋㅋ 저도 캠핑전용으로 스타렉스 한대 뽑을까 고민중이에요.ㅋㅋㅋn|스타렉스 부럽습니다~혹시 여기는 홍천강뷰 일까요?n|어머나.... ㅋㅋㅋㅋㅋㅋㅋㅋ 저 창밖만 보고도 장소를 맞히시다니.... 심지어 강쪽뷰도 아닌데....n|올리브홍이번 연휴 때 홍천강다녀왔는데요 노란색 텐트가 멋있다고 신랑이랑 얘기하면서 지나갔거든요~~~n|사랑스런은남매아~ 그럼 연휴에 이웃캠퍼분이셨나봐요^^n|올리브홍저는 안쪽으로 많이 들어가 있었어서 차로 지나가면서 봤어요^^n|사랑스런은남매ㅋㅋㅋ 그 안쪽으로도 저희랑 같은 모델 브라운색상 돔텐트 한동 더 있었어요!! 저도 멀리서 저게 브라운이구나 하고 한참 쳐다봤었어요 ㅋㅋn|남친 크리스마스 선물에서 빵하고 웃고 갑니다.. 생활력 짱인듯...놓치지 마세요.. ^^n|네 진짜 말그대로 오다 줏어왔더라고요^^ㅋㅋㅋㅋn|잔잔바리들 꼼짝마네요n|캠핑 끝나고 집에와서 다음 캠핑 준비하면서 미리 소소한 것들 챙겨넣는 재미는 덤이에요 ㅋㅋn|저도 요텐트쓰는데ㅋㅋ서랍장은 생각도 안했네요. 폴딩박스를 더살까했는데 서랍장 생각해보겠어요ㅎㅎn|폴딩박스보다 물건찾기도 더 수월하고 강추합니다!!!n|스타렉스 부러워용!ㅋㅋㅋㅋn|캠핑엔 역시 스타렉스가 짱인것 같아요 ㅋㅋn|대박꿀팁이요n|뿌듯하네요....(코쓱...)n|정보감사합니다n|n|스타렉스 너무부럽네용ㅋㅋㅋ 정보감사해용^^n|캠핑은 스타렉스만 있어도 반은 먹고 들어가나봐요...ㅋㅋㅋㅋn|와 서랍.. 차에만 들어가면 진짜 좋겠네요!n|네 안타깝게도 큰차보유하신 분들만 가능하단게 단점이에요 ㅠㅠㅠn|대박~ 전 맥시멀이고 남편은 미니멀이라 항상 눈치눈치... 몰래 이것저것 챙겨가려면 저도 서랍장 써치 해봐야겠군요 ㅋㅋㅋㅋn|이것저것 몰래 낑겨서 가져가기 딱 좋아요.ㅋㅋㅋㅋn|차를 기변하고싶네요...ㅋㅋㅋn|ㅋㅋㅋㅋ저희집 보는것....같았어요..^^ 감성은....접고...실용성에......목적이지요....ㅎ 저도...캠핑갈때마다.포터를 끌고가야하나...하네요..ㅎn|"
    sentences1 = sentence0.split("n|")
    print(sentences1)

    okt = Okt()

    #print(okt.morphs(u'this is a sample text'))
    rst1 = []
    for sentence1 in sentences1:
        morp1 = okt.morphs(sentence1)
        noun1 = okt.nouns(sentence1)
        phra1 = okt.phrases(sentence1)
        pos1 = okt.pos(sentence1, norm=True, stem=True)
        #print(pos1)
        rst1.append(morp1)

    #print(rst1)
    ##embeddingModel = word2vec.Word2Vec(sentences=rst1, size=100, window=2, min_count=50, workers=4, iter=100, sg=1)
    embeddingModel = word2vec.Word2Vec(sentences=rst1, window=2, min_count=2, workers=4, sg=1)
    ##embeddingModel.train(rst1, total_examples=len(rst1), epochs=10)
    mostSimilar = embeddingModel.wv.most_similar(positive=["캠핑"], topn=100)
    print(mostSimilar)