Java版本的Word2vec，用于情感分析，有了解吗？

数据挖掘，情感分析，深度学习具体步骤是？

有两大类，一类是主观性：主观、客观、中性；一类是情感倾向：褒义、贬义、中性。 文本分析的话，主要是对词、句子中观点的挖掘。 你所说的机器学习法，现在基本用于对电影观点的打分系统吧。基本上就是利用分类计数，对文档中存在的情感进行分类的。 就我个人理解而言，我认为机器学习法只是情感文本分析的方法论之一，至于数据挖掘，也是通过对文档的数据收取，进行情感分析的。也是对情感文本分析的方法论之一。 所以，情感分析是主体的话，文本分类、机器学习、数据挖掘都是方式方法。这些方法可以共同应用在一个情感分析中，也可以分别独立存在。 目前英文类的文本情感分析比较多，中文类的相对少一点，你要做这方面的研究路漫漫其修远

word2vec词向量加权的方法有哪些？

‍‍我对词向量加权这个还真的不太了解，也没怎么接触过，不过你可以考虑一下fastText，可能会让你满意。‍‍

目前常用的自然语言处理开源项目/开发包有哪些？

中文主要有：NLTK，HanLP，Ansj，THULAC，结巴分词，FNLP，哈工大LTP，中科院ICTCLAS分词，GATE，SnowNLP，东北大学NiuTrans，NLPIR；英文主要有：NLTK，Genism，TextBlob，Stanford NLP，Spacy。英文的开源NLP工具主要参见StackoverFlow-java or python for nlp。HanLP：HanLP是由一系列模型与算法组成的Java工具包，目标是普及自然语言处理在生产环境中的应用。HanLP具备功能完善、性能高效、架构清晰、语料时新、可自定义的特点。开发语言：Java，网址：hankcs/HanLP，开发机构：大快公司，协议：Apache-2.0功能：非常多，主要有中文分词，词性标注，命名实体识别，关键词提取，自动摘要，短语提取，拼音转换，简繁转换，文本推荐，依存句法分析，文本分类：情感分析，word2vec，语料库工具。

词向量，LDA，word2vec三者的关系是什么？

词向量，有时候翻译为词嵌入（word embeddings），又可以称作distributed word representation[1], 最初起源是神经网络语言模型（Neural Networks Language Models）,word2vec是一种常见的word embeddings，另外一种著名word embeddings是GloVe

LDA(Latent Dirichlet Allocation)是主题模型（Topic Models）的一种计算方法，和词向量并无直接关系，不过如果扯上另外一种topic model, LSA（Latent Semantic Allocation），那就有一些关系了：LSA的核心技术是SVD，一种矩阵分解，而SVD一般在NLP中的使用并非是使用它分解的三个矩阵，而是合并右边两个矩阵。那么合并之后，左边的矩阵就可以视为word embeddings，而右边的矩阵可以视为当它是context时候的embeddings。当然，一般的矩阵分解，比如NMF，也可以得到word embeddings。而word2vec一再被人证明，从结果看，是一个全局PPMI矩阵的分解。某种意义讲，word embeddings可以理解是传统矩阵分解的一个加速版本。LDA和word embeddings还是可以有点联系，比如加入LDA的结果作为word embeddings的输入，来增强文章分类效果。Latent Dirichlet Allocation(LDA)和word2vec从模型上看几乎没有显著联系。词向量则是所有对词进行表示的方法的统称。关于联系你可以这样看：LDA的作用之一是通过对doc-word矩阵进行建模抽出doc-topic和topic-word两个分布。而word2vec其实是分解了word-context矩阵。其实都是对一个"A"-"B"矩阵进行建模。那么LDA自然也可以用于对word-context矩阵进行建模，而word2vec也可以对doc-word矩阵做分解。以上算是LDA和word2vec之间的的一点联系吧。不过他们之间的区别也是非常显著的。

Google的word2vec可以用MapReduce实现吗

word2vec是采用多线程的SGD实现的，不了解MapReduce是不是适合做SGD(查了一下，有spark版本)。 实际上，把word2vec改成多机多线程应该并不难（保持异步、忽略网络延迟），如果题主采用parameter server这种有中心分布式的话，最后的瓶颈会集中在网络通信 和 中心存储参数的机器的更新速度上。

标签：信息技术 word 数据挖掘 机器学习 学习