分词是中文文本预处理的必要步骤，必须使用jieba等工具进行；推荐精确模式分词，并过滤单字停用词及过短词。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
分词必须做，且要选对工具
中文没有天然空格分隔，直接喂给Word2Vec会把整句当一个“词”，模型完全学不到语义。所以分词是不可跳过的前置步骤。推荐使用 jieba，它支持精确模式、全模式和搜索引擎模式，对百科类文本适配性好，安装简单：pip install jieba。
实际操作中建议用精确模式分词，并过滤掉单字词（如“的”“了”“一”等停用词）和过短词（长度
繁体字不转换，向量质量会明显下降
中文维基语料含大量繁体字（如「台灣」「歷史」「圖書館」），而训练目标通常是简体中文场景。若不做转换，同一概念（如「皇后」vs「皇后」）会被拆成两个孤立词，共现频次被稀释，导致相似度计算失真、类比任务失败。
推荐用 opencc 工具完成批量转换：
- 下载 opencc（Windows 可从 Bintray 获取，macOS 用 brew install opencc，Linux 用 apt install opencc）
- 执行命令：opencc -i wiki.zh.text -o wiki.zh.jian.text -c t2s.json
- t2s.json 是官方提供的「繁转简」配置，确保转换准确；不要用程序自行替换字符（如 replace("台灣","台湾")），易漏、易错、不覆盖异体字
分词与繁简转换的顺序不能颠倒
必须先做繁简转换，再分词。原因有二：
- 繁体字结构复杂（如「龍」「龜」「麵」），jieba 的默认词典主要基于简体语料构建，对繁体未登录词切分不准，容易切碎或合并错误
- opencc 转换的是字级别，不影响词语边界；而分词结果一旦生成，再转简体就可能破坏词完整性（例如「龍門石窟」→「龙门石窟」，若已切为「龍 門 石 窟」，转完变「龙 门 石 窟」，无法恢复成「龙门石窟」）
标准流程链应为：XML → 纯文本 → 繁转简 → 分词 → 训练。中间任意一步出错，都可能导致最终向量在「北京—首都」、「苹果—水果」等基础关系上表现异常。
训练前再检查三件事
分词文件看似完成，但常藏隐患。建议打开几个样本行快速验证：
- 是否残留 XML 标签或维基标记（如 、[[Category:...]]）？需在分词前用正则清洗
- 是否混入英文、数字、标点或乱码？可用正则 [^\u4e00-\u9fa5\s] 扫描并剔除（保留空格和换行）
- 是否存在连续多个空格或空行？gensim 的 LineSentence 会把空行当无效句子跳过，但过多空格可能让模型误判词边界
一个小技巧：把分词后文件头几行复制进 Python，用 [line.split() for line in lines] 查看每行是否确实产出合理词列表——这是最直接有效的质检方式。
