word2vec 更适合词粒度向量且语料规范的场景；fasttext 仅在需处理未登录词或错别字时选用。分词必须为二维列表，如[["今天","天气"],["苹果","香蕉"]]，禁用str.split()；min_count建议≥5，避免低频噪声。
Word2Vec 模型选 Word2Vec 还是 FastText？
如果你只关心词粒度的向量（比如“苹果”“香蕉”），且语料里没有大量拼写错误、未登录词或子词结构需求，Word2Vec 就够用；FastText 虽能生成子词向量，但训练慢、内存高，对中文分词后语料收益有限。别一上来就切到 FastText，除非你明确需要处理“未出现过的词形”（如新网络用语带错别字）。
分词结果必须是二维列表，不是字符串或一维
常见错误是把句子直接喂给 Word2Vec：传入 ["今天天气很好"] 或 "今天 天气 很好"，模型会把整句当一个 token 训练，完全失效。Gensim 要求输入是形如 [["今天", "天气", "很好"], ["苹果", "和", "香蕉"]] 的列表套列表。
实操建议：
- 用
jieba分词后务必调用list(jieba.lcut(sentence))，再把每个结果 append 到大列表里 - 过滤掉空字符串和纯空白符（
if word.strip()），否则""会被当成有效 token，后续相似度计算可能异常 - 避免用
str.split()做中文分词——它按空格切，中文几乎没空格
min_count 和 vector_size 怎么设才不翻车
这两个参数直接影响向量质量和内存占用，设错会导致训练失败或结果无意义：
-
min_count=1看似“不丢词”，但低频词噪声大、向量不稳定，中文语料建议从5起步，小语料（2 -
vector_size=100是平衡点：太小（如 50）区分度差；太大（如 300）内存暴涨，且中文词义在 100 维已较饱和 -
workers别盲目设成 CPU 核数——Windows 下超过 4 可能触发 GIL 争抢，反而变慢；Linux 可设min(8, os.cpu_count())
示例初始化：
from gensim.models import Word2Vec
model = Word2Vec(
sentences=tokenized_corpus, # 二维列表
vector_size=100,
window=5,
min_count=5,
workers=4,
sg=1 # 用 skip-gram，对低频词更友好
)
训练完必须调用 model.wv.save_word2vec_format() 才能导出标准格式
直接 pickle.dump(model) 或保存整个 model 对象，会导致后续无法用其他工具（如 gensim.downloader 加载方式）读取，也难做向量比对。标准二进制/文本格式才是通用接口。
注意点：
- 如果后续要加载进 PyTorch/TensorFlow，用
binary=False输出纯文本格式，方便解析 -
model.wv是向量存储主体，model本身还含训练参数，导出只需model.wv - 中文词含空格或特殊符号时，文本格式里会自动用
_替换空格，但原始分词时已去空格，一般不触发
导出示例：
model.wv.save_word2vec_format("word2vec_zh.txt", binary=False)
训练中最容易被忽略的是：语料清洗不彻底导致的低频噪声词泛滥，以及误把未分词文本当输入。这两点造成的向量漂移，比参数调优的影响大得多。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
