word2vec 源码分析word2vec.c详解大数据

word2vec源码断断续续看了好几遍了，基本理清了流程和一些trick，添加了注释。 具体很多细节可以参考文末的参考链接，很详细。

#include <iostream> 
#include <stdio.h> 
#include <stdlib.h> 
#include <math.h> 
#include <pthread.h> 
 
#define MAX_STRING 100  //词最大长度 
#define EXP_TABLE_SIZE 1000  //sigmoid函数近似区域的切割段数 
#define MAX_EXP 6   //sigmoid 近似区间 -6~6 
#define MAX_CODE_LENGTH 40 //huffman编码的最大长度 
 
const int vocab_hash_size = 30000000; //词汇hash表大小    30*0.7 = 21M 词 
typedef float real; 
 
struct vocab_word 
{ 
    long long cn;  //词频 
    int *point;    // huffman编码对应内节点的路径 
    char *word, *code, codelen; //词，huffman编码，编码长度 
}; 
 
char train_file[MAX_STRING], output_file[MAX_STRING]; 
char save_vocab_file[MAX_STRING], read_vocab_file[MAX_STRING]; 
struct vocab_word *vocab; 
//是否将Mode保存到二进制文件中、cbow模型、调试模式、窗口大小、最小词频、线程数、去除词频小余某值的词频 
int binary = 0, cbow = 0, debug_mode = 2, window = 5, min_count = 5, num_thread = 12, min_reduce = 1; 
int *vocab_hash; //存放词在字典中的位置。 例如，'a'计算出的hash为10000, 则vocab_hash[10000]存放的是'a'在词典中的位置。区分hash值和词典中的索引值 
 
//定义词的最大数量（不足时会增加）， 词汇数量， 词向量纬度 
long long vocab_max_size = 1000, vocab_size = 0, layer1_size = 100; 
//训练词数量(词*词频之和)、当前已处理过的词数、迭代次数、文件数目、是否需要将词汇使用k-means归类 
long long train_words = 0, word_count_actual = 0, iter = 5, file_size = 0, classes = 0; 
//学习率， 起始学习率，词频阈值（用来将词频过大的词去除） 
real alpha = 0.025, starting_alpha, sample = 1e-3; 
//词向量数组、huffman非叶子节点的向量、negitive 模式下的非叶子节点的向量，sigmoid查询表 
real *syn0, *syn1, *syn1neg, *expTable; 
clock_t start; 
 
//是否hierarchical softmax, 负采样数量 
int hs = 0, negative = 5; 
 
//负采样使用的表及大小 
const int table_size = 1e8; 
int *table; 
 
//如果是采用负采样的方法，此时还需要初始化每个词被选中的概率。在所有的词构成的词典中，每一个词出现的频率有高有低， 
//我们希望，对于那些高频的词，被选中成为负样本的概率要大点，同时，对于那些出现频率比较低的词，我们希望其被选中成为负样本的频率低点 
//每个单词的能量分布表，table在负样本抽样中用到 
void InitUnigramTable() 
{ 
    int a, i; 
    double train_words_pow = 0; 
    double d1, power = 0.75; 
    table = (int *)malloc(table_size * sizeof(int)); 
    //遍历词汇表，统计词的能量总值。  pow(x, y)函数用于求x的y次方 
    for (a = 0; a < vocab_size; a++) 
        train_words_pow += pow(vocab[a].cn, power); 
    i = 0; 
    d1 = pow(vocab[i].cn, power) / train_words_pow; 
    for (a = 0; a < table_size; a++) 
    { 
        table[a] = i; 
        if (a / (double)table_size > d1) 
        { 
            i++; 
            d1 += pow(vocab[i].cn, power) / train_words_pow; 
        } 
        if (i >= vocab_size) 
            i = vocab_size - 1; 
    } 
} 
 
//从文件中读取一个词 
void ReadWord(char *word, FILE *fin) 
{ 
    int a = 0, ch; 
    while (!feof(fin)) 
    { 
        ch = fgetc(fin); 
        if (ch == 13) //回车键 
            continue; 
        if ((ch == ' ') || (ch == '/t') || (ch == '/n')) 
        { 
            if (a > 0) 
            { 
                if (ch == '/n') //读到换行符，将它回吐，以便下次添加"</s>" 
                    ungetc(ch, fin); 
                break; //已经有了有效的字符，则函数退出 
            } 
            if (ch == '/n') 
            { 
                strcpy(word, (char *)"</s>"); //添加新文本开始标志 
                return; 
            } 
            else 
                continue; 
        } 
        word[a] = ch; 
        a++; 
        if (a >= MAX_STRING - 1) 
            a--;   //最后一个字符会被反复覆盖。 最后还会被0覆盖，所以应该可以直接返回了 
    } 
    word[a] = 0; 
} 
 
//返回一个词的hash值。 可能会冲突 
int GetWordHash(char *word) 
{ 
    unsigned long long a, hash = 0; 
    for (a = 0; a < strlen(word); a++) 
        hash = hash * 257 + word[a]; 
    hash = hash % vocab_hash_size; 
    return hash; 
} 
 
 
//返回一个词在词汇表中的位置，如果不存在则返回-1 
int SearchVocab(char *word) 
{ 
    unsigned int hash = GetWordHash(word); 
    while (1) 
    { 
        if (vocab_hash[hash] == -1) 
            return -1; 
        if (!strcmp(word, vocab[vocab_hash[hash]].word)) 
            return vocab_hash[hash]; 
        hash = (hash + 1) % vocab_hash_size; 
    } 
    return -1; 
} 
 
//从文件中读取一个词，并返回它在词汇表中的位置 
int ReadWordIndex(FILE *fin) 
{ 
    char word[MAX_STRING]; 
    ReadWord(word, fin); 
    if (feof(fin)) 
        return -1; 
    return SearchVocab(word); 
} 
 
//将一个词添加到词汇中 
int AddWordToVocab(char * word) 
{ 
    unsigned int hash, length = strlen(word) + 1; //+1 是因为strlen不包含'/0' 
    if (length > MAX_STRING) 
        length = MAX_STRING; 
    vocab[vocab_size].word = (char *)calloc(length, sizeof(char)); 
    strcpy(vocab[vocab_size].word, word); 
    vocab[vocab_size].cn = 0; 
    vocab_size++; 
    //如果需要重新分配内存. reallocate memory if needed 
    if (vocab_size + 2 >= vocab_max_size) 
    { 
        vocab_max_size += 1000; 
        vocab = (struct vocab_word *)realloc(vocab, vocab_max_size * sizeof(vocab_word)); 
    } 
    hash = GetWordHash(word); 
    while (vocab_hash[hash] != -1) 
        hash = (hash + 1) % vocab_hash_size; //开放地址法解决冲突 
    vocab_hash[hash] = vocab_size - 1; 
 
    return vocab_size - 1; 
} 
 
//词按照词频排序 
int VocabCompare(const char *w1, const char *w2) 
{ 
    return ((struct vocab_word *)w1)->cn - ((struct vocab_word *)w2)->cn; 
} 
 
//排序 
void SortVocab() 
{ 
    int a, size; 
    unsigned int hash; 
    //sort the vocabulary and keep </s> at the first palce 
    qsort(&vocab[1], vocab_size - 1, sizeof(vocab_word), Vocabcompare); 
    for (a = 0; a < vocab_hash_size; a++) 
        vocab_hash[a] = -1; 
    size = vocab_size; 
    train_words = 0; 
    for (a = 0; a < size; a++) 
    { 
        //词频太小删除 
        if (vocab[a].cn < min_count) 
        { 
            vocab_size--; 
            free(vocab[a].word); 
        } 
        else 
        { 
            //计算hash 值 
            hash = GetWordHash(vocab[a].word); 
            while (vocab_hash[hash] == -1) 
                hash = (hash + 1) % vocab_hash_size; 
            vocab_hash[hash] = a; 
            train_words += vocab[a].cn; 
        } 
    } 
    vocab = (struct vocab_word *)realloc(vocab, (vocab_size + 1) * sizeof(struct vocab_word)); 
    //增加数组大小，为创建huffman树准备 
    for (a = 0; a < vocab_size; a++) 
    { 
        vocab[a].code = (char *)calloc(MAX_CODE_LENGTH, sizeof(char)); 
        vocab[a].point = (int *)calloc(MAX_CODE_LENGTH, sizeof(int)); 
    } 
} 
 
//再次移除词频过小的词，缩减词汇表 
void ReduceVocab() 
{ 
    int a, b = 0; 
    unsigned int hash; 
    for (a = 0; a < vocab_size; a++) 
        if (vocab[a].cn > min_reduce) 
        { 
            vocab[b].cn = vocab[a].cn; 
            vocab[b].word = vocab[a].word; 
            b++; 
        } 
        else 
            free(vocab[a].word); 
    vocab_size = b; 
    for (a = 0; a < vocab_hash_size; a++) 
        vocab_hash[a] = -1; 
    for (a = 0; a < vocab_size; a++) 
    { 
        hash = GetWordHash(vocab[a].word); 
        while (vocab_hash[hash] != -1) 
            hash = (hash + 1) % vocab_hash_size; 
        vocab_hash[hash] = a; 
    } 
    fflush(stdout); //?? 
    min_reduce++;  //支持反复去除低频词 
} 
 
 
//使用词频创建huffman树，高频词得到更短的二进制编码 
void CreateBinaryTree() 
{ 
    long long a, b, i, min1i, min2i, pos1, pos2, point[MAX_CODE_LENGTH]; 
    char code[MAX_CODE_LENGTH]; 
    long long *count = (long long *)calloc(vocab_size * 2 + 1, sizeof(long long)); 
    long long *binary = (long long *)calloc(vocab_size * 2 + 1, sizeof(long long)); 
    long long *parent_node = (long long *)calloc(vocab_size * 2 + 1, sizeof(long long)); 
    //初始化count。 前vocab_size存储的是每个词的词频 
    for (a = 0; a < vocab_size; a++) 
        count[a] = vocab[a].cn;  //注意，词库中的词是按照降序排列的 
    //后面初始化为很大的数 
    for (a = vocab_size; a < vocab_size * 2; a++) 
        count[a] = 1e15; 
    pos1 = vocab_size - 1; 
    pos2 = vocab_size; 
    // Following algorithm constructs the Huffman tree by adding one node at a time 
    for (a = 0; a < vocab_size - 1; a++) 
    { 
        // First, find two smallest nodes 'min1, min2' 找出目前权值最小的两个节点 
        if (pos1 >= 0)//第一个权值最小的节点 
        { 
            if (count[pos1] < count[pos2]) 
            { 
                min1i = pos1; 
                pos1--; 
            } 
            else 
            { 
                min1i = pos2; 
                pos2++; 
            } 
        } 
        else 
        { 
            min1i = pos2; 
            pos2++; 
        } 
        if (pos1 >= 0)//第二个权值最小的节点 
        { 
            if (count[pos1] < count[pos2]) 
            { 
                min2i = pos1; 
                pos1--; 
            } 
            else 
            { 
                min2i = pos2; 
                pos2++; 
            } 
        } 
        else 
        { 
            min2i = pos2; 
            pos2++; 
        } 
        count[vocab_size + a] = count[min1i] + count[min2i]; //新节点的词频 
        parent_node[min1i] = vocab_size + a; //记录父节点 
        parent_node[min2i] = vocab_size + a; 
        binary[min2i] = 1;//两个节点中词频大的节点编码为1 
    } 
    // Now assign binary code to each vocabulary word 
    for (a = 0; a < vocab_size; a++) 
    { 
        b = a; 
        i = 0; 
        while (1) 
        { 
            code[i] = binary[b]; 
            point[i] = b; 
            i++; 
            b = parent_node[b]; 
            if (b == vocab_size * 2 - 2) break; 
        } 
        vocab[a].codelen = i;  //词的编码长度 
        vocab[a].point[0] = vocab_size - 2; 
        for (b = 0; b < i; b++) 
        { 
            vocab[a].code[i - b - 1] = code[b]; //反转编码，左子树的节点（词频小）编码为1 
            vocab[a].point[i - b] = point[b] - vocab_size;//记录从根节点到叶子节点的路径 
        } 
    } 
    free(count); 
    free(binary); 
    free(parent_node); 
} 
 
//从训练文件中统计词频 
void LearnVocabFromTrainFile() { 
    char word[MAX_STRING]; 
    FILE *fin; 
    long long a, i; 
    for (a = 0; a < vocab_hash_size; a++) vocab_hash[a] = -1; 
    fin = fopen(train_file, "rb"); 
    if (fin == NULL) { 
        printf("ERROR: training data file not found!/n"); 
        exit(1); 
    } 
    vocab_size = 0; 
    AddWordToVocab((char *)"</s>"); 
    while (1) { 
        ReadWord(word, fin); 
        if (feof(fin)) break; 
        train_words++; 
        if ((debug_mode > 1) && (train_words % 100000 == 0)) { 
            printf("%lldK%c", train_words / 1000, 13); 
            fflush(stdout); 
        } 
        i = SearchVocab(word); //词在词汇表中的位置 
        if (i == -1) {    //不存在 
            a = AddWordToVocab(word); 
            vocab[a].cn = 1;  //词频 
        } else vocab[i].cn++; 
        if (vocab_size > vocab_hash_size * 0.7) ReduceVocab(); 
    } 
    SortVocab(); 
    if (debug_mode > 0) { 
        printf("Vocab size: %lld/n", vocab_size); 
        printf("Words in train file: %lld/n", train_words); 
    } 
    file_size = ftell(fin); 
    fclose(fin); 
} 
 
void SaveVocab() { 
    long long i; 
    FILE *fo = fopen(save_vocab_file, "wb"); 
    for (i = 0; i < vocab_size; i++) fprintf(fo, "%s %lld/n", vocab[i].word, vocab[i].cn); 
    fclose(fo); 
} 
 
void ReadVocab() { 
    long long a, i = 0; 
    char c; 
    char word[MAX_STRING]; 
    FILE *fin = fopen(read_vocab_file, "rb"); 
    if (fin == NULL) { 
        printf("Vocabulary file not found/n"); 
        exit(1); 
    } 
    for (a = 0; a < vocab_hash_size; a++) vocab_hash[a] = -1; 
    vocab_size = 0; 
    while (1) { 
        ReadWord(word, fin); //读取一个词 
        if (feof(fin)) break; 
        a = AddWordToVocab(word); 
        fscanf(fin, "%lld%c", &vocab[a].cn, &c); //读取词频。 c用来读取换行符 
        i++; 
    } 
    SortVocab(); 
    if (debug_mode > 0) { 
        printf("Vocab size: %lld/n", vocab_size); 
        printf("Words in train file: %lld/n", train_words); 
    } 
    fin = fopen(train_file, "rb"); 
    if (fin == NULL) { 
        printf("ERROR: training data file not found!/n"); 
        exit(1); 
    } 
    fseek(fin, 0, SEEK_END);  //此处fseek将fin指向以SEEK_END为基准、偏移0个字节的位置 
    file_size = ftell(fin); //ftell得到文件位置指针相对于文件首的偏移字节数, 此处为文件大小 
    fclose(fin); 
} 
 
void InitNet() { 
    long long a, b; 
    unsigned long long next_random = 1; 
    //内存申请及对齐 
    a = posix_memalign((void **)&syn0, 128, (long long)vocab_size * layer1_size * sizeof(real));// layer1_size是词向量纬度 
    if (syn0 == NULL) {printf("Memory allocation failed/n"); exit(1);} 
    //分别为hs和ng初始化映射层到输出层的权重 
    if (hs) {  //采用hierarchical softmax 
        a = posix_memalign((void **)&syn1, 128, (long long)vocab_size * layer1_size * sizeof(real)); 
        if (syn1 == NULL) {printf("Memory allocation failed/n"); exit(1);} 
        for (a = 0; a < vocab_size; a++) for (b = 0; b < layer1_size; b++) 
                syn1[a * layer1_size + b] = 0; 
    } 
    if (negative>0) {  //采用negative sampling 
        a = posix_memalign((void **)&syn1neg, 128, (long long)vocab_size * layer1_size * sizeof(real)); 
        if (syn1neg == NULL) {printf("Memory allocation failed/n"); exit(1);} 
        for (a = 0; a < vocab_size; a++) for (b = 0; b < layer1_size; b++) 
                syn1neg[a * layer1_size + b] = 0; 
    } 
    //初始化输入层（词向量层) 
    for (a = 0; a < vocab_size; a++) for (b = 0; b < layer1_size; b++) { 
            next_random = next_random * (unsigned long long)25214903917 + 11;  //一个很大的值 
            //先用0xFFFF（65536）截断； 除以65536，范围到[0,1]之间； -0.5使范围到[-0.5, 0.5]之间；再除以词向量的纬度 
            //最终词向量每一维的值范围为：[-0.5/layer1_size, 0.5/layer1_size] 
            syn0[a * layer1_size + b] = (((next_random & 0xFFFF) / (real)65536) - 0.5) / layer1_size; 
        } 
    CreateBinaryTree(); 
} 
 
void *TrainModelThread(void *id) { 
    long long a, b, d, cw, word, last_word, sentence_length = 0, sentence_position = 0; 
    long long word_count = 0, last_word_count = 0, sen[MAX_SENTENCE_LENGTH + 1]; 
    long long l1, l2, c, target, label, local_iter = iter; 
    unsigned long long next_random = (long long)id; 
    real f, g; 
    clock_t now; 
    real *neu1 = (real *)calloc(layer1_size, sizeof(real)); 
    real *neu1e = (real *)calloc(layer1_size, sizeof(real)); 
    FILE *fi = fopen(train_file, "rb"); 
    //每个线程处理file_size / num_threads 大小的文本 
    fseek(fi, file_size / (long long)num_threads * (long long)id, SEEK_SET); 
    while (1) { 
        if (word_count - last_word_count > 10000) { 
            word_count_actual += word_count - last_word_count; 
            last_word_count = word_count; 
            if ((debug_mode > 1)) { 
                now=clock(); 
                printf("%cAlpha: %f  Progress: %.2f%%  Words/thread/sec: %.2fk  ", 13, alpha, 
                       word_count_actual / (real)(iter * train_words + 1) * 100, 
                       word_count_actual / ((real)(now - start + 1) / (real)CLOCKS_PER_SEC * 1000)); 
                fflush(stdout); 
            } 
            //自适应学习率。 此处每处理完10000个词，调整一次学习率； 其中word_count_actual表示当前已经处理过的次数； train_words 
            //表示所有词的频率之和， +1 为了防止分母为0 
            alpha = starting_alpha * (1 - word_count_actual / (real)(iter * train_words + 1)); 
            if (alpha < starting_alpha * 0.0001) alpha = starting_alpha * 0.0001;  //学习率不能过小 
        } 
        if (sentence_length == 0) { 
            while (1) { 
                word = ReadWordIndex(fi); 
                if (feof(fi)) break; 
                if (word == -1) continue; 
                word_count++; 
                if (word == 0) break; 
                // The subsampling randomly discards frequent words while keeping the ranking same 
                if (sample > 0) { 
                    real ran = (sqrt(vocab[word].cn / (sample * train_words)) + 1) * (sample * train_words) / vocab[word].cn; 
                    next_random = next_random * (unsigned long long)25214903917 + 11; 
                    if (ran < (next_random & 0xFFFF) / (real)65536) continue; 
                } 
                sen[sentence_length] = word; 
                sentence_length++; 
                if (sentence_length >= MAX_SENTENCE_LENGTH) break; 
            } 
            sentence_position = 0; 
        } 
        if (feof(fi) || (word_count > train_words / num_threads)) { 
            word_count_actual += word_count - last_word_count; 
            local_iter--; 
            if (local_iter == 0) break; 
            word_count = 0; 
            last_word_count = 0; 
            sentence_length = 0; 
            fseek(fi, file_size / (long long)num_threads * (long long)id, SEEK_SET); 
            continue; 
        } 
        word = sen[sentence_position]; 
        if (word == -1) continue; 
        for (c = 0; c < layer1_size; c++) neu1[c] = 0; 
        for (c = 0; c < layer1_size; c++) neu1e[c] = 0; 
        next_random = next_random * (unsigned long long)25214903917 + 11; 
        b = next_random % window; 
        if (cbow) {  //train the cbow architecture 
            // in -> hidden , 输入层到映射层 
            cw = 0; //count of word 
            for (a = b; a < window * 2 + 1 - b; a++) if (a != window) { 
                    c = sentence_position - window + a; 
                    //判断c是否越界 
                    if (c < 0) continue; 
                    if (c >= sentence_length) continue; 
                    last_word = sen[c]; //c对应的索引 
                    if (last_word == -1) continue; 
                    //累加窗口内词向量 
                    for (c = 0; c < layer1_size; c++) neu1[c] += syn0[c + last_word * layer1_size]; 
                    cw++; 
                } 
            if (cw) { 
                for (c = 0; c < layer1_size; c++) neu1[c] /= cw; //计算词向量平均值 
                if (hs) for (d = 0; d < vocab[word].codelen; d++) { //word为当前词 
                        //计算输出层的输出 
                        f = 0; 
                        l2 = vocab[word].point[d] * layer1_size; // 第d个词的权重 
                        // Propagate hidden -> output 
                        for (c = 0; c < layer1_size; c++) f += neu1[c] * syn1[c + l2]; 
                        if (f <= -MAX_EXP) continue; 
                        else if (f >= MAX_EXP) continue; 
                        else f = expTable[(int)((f + MAX_EXP) * (EXP_TABLE_SIZE / MAX_EXP / 2))];//sigmoid结果 
                        // 'g' is the gradient multiplied by the learning rate 
                        g = (1 - vocab[word].code[d] - f) * alpha; 
                        // Propagate errors output -> hidden 
                        for (c = 0; c < layer1_size; c++) neu1e[c] += g * syn1[c + l2]; //修改映射后的结果 
                        // Learn weights hidden -> output 
                        for (c = 0; c < layer1_size; c++) syn1[c + l2] += g * neu1[c]; //修改映射层到输出层的权重 
                    } 
                // NEGATIVE SAMPLING 
                if (negative > 0) for (d = 0; d < negative + 1; d++) { 
                        //选出正样本及负样本。 正样本就是word自身，窗口内的其他词为负样本 
                        //标记target和label 
                        if (d == 0) { 
                            target = word; 
                            label = 1; 
                        } else { 
                            next_random = next_random * (unsigned long long)25214903917 + 11; 
                            target = table[(next_random >> 16) % table_size]; 
                            if (target == 0) target = next_random % (vocab_size - 1) + 1; 
                            if (target == word) continue; 
                            label = 0; 
                        } 
                        l2 = target * layer1_size; 
                        f = 0; 
                        for (c = 0; c < layer1_size; c++) f += neu1[c] * syn1neg[c + l2]; 
                        //更新映射后的结果及映射层到输出层的权重 
                        if (f > MAX_EXP) g = (label - 1) * alpha; 
                        else if (f < -MAX_EXP) g = (label - 0) * alpha; 
                        else g = (label - expTable[(int)((f + MAX_EXP) * (EXP_TABLE_SIZE / MAX_EXP / 2))]) * alpha; 
                        for (c = 0; c < layer1_size; c++) neu1e[c] += g * syn1neg[c + l2]; 
                        for (c = 0; c < layer1_size; c++) syn1neg[c + l2] += g * neu1[c]; 
                    } 
                // hidden -> in.  更新窗口内的词的向量, hs和ng一样更新方法 
                for (a = b; a < window * 2 + 1 - b; a++) if (a != window) { 
                        c = sentence_position - window + a; 
                        if (c < 0) continue; 
                        if (c >= sentence_length) continue; 
                        last_word = sen[c]; 
                        if (last_word == -1) continue; 
                        for (c = 0; c < layer1_size; c++) syn0[c + last_word * layer1_size] += neu1e[c]; 
                    } 
            } 
        } else {  //train skip-gram 
            //使用当前次循环预测窗口中的其他词， 
            for (a = b; a < window * 2 + 1 - b; a++) if (a != window) { 
                    c = sentence_position - window + a; 
                    if (c < 0) continue; 
                    if (c >= sentence_length) continue; 
                    last_word = sen[c]; 
                    if (last_word == -1) continue; 
                    l1 = last_word * layer1_size; 
                    for (c = 0; c < layer1_size; c++) neu1e[c] = 0; 
                    // HIERARCHICAL SOFTMAX 
                    if (hs) for (d = 0; d < vocab[word].codelen; d++) { 
                            f = 0; 
                            l2 = vocab[word].point[d] * layer1_size; 
                            // Propagate hidden -> output 
                            for (c = 0; c < layer1_size; c++) f += syn0[c + l1] * syn1[c + l2]; 
                            if (f <= -MAX_EXP) continue; 
                            else if (f >= MAX_EXP) continue; 
                            else f = expTable[(int)((f + MAX_EXP) * (EXP_TABLE_SIZE / MAX_EXP / 2))]; 
                            // 'g' is the gradient multiplied by the learning rate 
                            g = (1 - vocab[word].code[d] - f) * alpha; 
                            // Propagate errors output -> hidden 
                            for (c = 0; c < layer1_size; c++) neu1e[c] += g * syn1[c + l2]; 
                            // Learn weights hidden -> output 
                            for (c = 0; c < layer1_size; c++) syn1[c + l2] += g * syn0[c + l1]; 
                        } 
                    // NEGATIVE SAMPLING 
                    if (negative > 0) for (d = 0; d < negative + 1; d++) { 
                            if (d == 0) { 
                                target = word; 
                                label = 1; 
                            } else { 
                                next_random = next_random * (unsigned long long)25214903917 + 11; 
                                target = table[(next_random >> 16) % table_size]; 
                                if (target == 0) target = next_random % (vocab_size - 1) + 1; 
                                if (target == word) continue; 
                                label = 0; 
                            } 
                            l2 = target * layer1_size; 
                            f = 0; 
                            for (c = 0; c < layer1_size; c++) f += syn0[c + l1] * syn1neg[c + l2]; 
                            if (f > MAX_EXP) g = (label - 1) * alpha; 
                            else if (f < -MAX_EXP) g = (label - 0) * alpha; 
                            else g = (label - expTable[(int)((f + MAX_EXP) * (EXP_TABLE_SIZE / MAX_EXP / 2))]) * alpha; 
                            for (c = 0; c < layer1_size; c++) neu1e[c] += g * syn1neg[c + l2]; 
                            for (c = 0; c < layer1_size; c++) syn1neg[c + l2] += g * syn0[c + l1]; 
                        } 
                    // Learn weights input -> hidden 
                    for (c = 0; c < layer1_size; c++) syn0[c + l1] += neu1e[c]; 
                } 
        } 
        sentence_position++; 
        if (sentence_position >= sentence_length) { 
            sentence_length = 0; 
            continue; 
        } 
    } 
    fclose(fi); 
    free(neu1); 
    free(neu1e); 
    pthread_exit(NULL); 
} 
 
void TrainModel() { 
    long a, b, c, d; 
    FILE *fo; 
    pthread_t *pt = (pthread_t *)malloc(num_threads * sizeof(pthread_t)); 
    printf("Starting training using file %s/n", train_file); 
    starting_alpha = alpha; 
    //读取词汇文件还是从训练文件中学习 
    if (read_vocab_file[0] != 0) ReadVocab(); else LearnVocabFromTrainFile(); 
    if (save_vocab_file[0] != 0) SaveVocab(); 
    if (output_file[0] == 0) return; 
    InitNet(); 
    if (negative > 0) InitUnigramTable(); 
    start = clock(); 
    for (a = 0; a < num_threads; a++) pthread_create(&pt[a], NULL, TrainModelThread, (void *)a);//创建线程 
    for (a = 0; a < num_threads; a++) pthread_join(pt[a], NULL); 
    fo = fopen(output_file, "wb"); 
    if (classes == 0) {  //不分类直接保存 
        // Save the word vectors 
        fprintf(fo, "%lld %lld/n", vocab_size, layer1_size); 
        for (a = 0; a < vocab_size; a++) { 
            fprintf(fo, "%s ", vocab[a].word); 
            if (binary) for (b = 0; b < layer1_size; b++) fwrite(&syn0[a * layer1_size + b], sizeof(real), 1, fo); 
            else for (b = 0; b < layer1_size; b++) fprintf(fo, "%lf ", syn0[a * layer1_size + b]); 
            fprintf(fo, "/n"); 
        } 
    } else { //使用kmeans聚类 
        // Run K-means on the word vectors 
        int clcn = classes, iter = 10, closeid; 
        int *centcn = (int *)malloc(classes * sizeof(int)); 
        int *cl = (int *)calloc(vocab_size, sizeof(int)); 
        real closev, x; 
        real *cent = (real *)calloc(classes * layer1_size, sizeof(real)); 
        for (a = 0; a < vocab_size; a++) cl[a] = a % clcn; 
        for (a = 0; a < iter; a++) { 
            for (b = 0; b < clcn * layer1_size; b++) cent[b] = 0; 
            for (b = 0; b < clcn; b++) centcn[b] = 1; 
            for (c = 0; c < vocab_size; c++) { 
                for (d = 0; d < layer1_size; d++) cent[layer1_size * cl[c] + d] += syn0[c * layer1_size + d]; 
                centcn[cl[c]]++; 
            } 
            for (b = 0; b < clcn; b++) { 
                closev = 0; 
                for (c = 0; c < layer1_size; c++) { 
                    cent[layer1_size * b + c] /= centcn[b]; 
                    closev += cent[layer1_size * b + c] * cent[layer1_size * b + c]; 
                } 
                closev = sqrt(closev); 
                for (c = 0; c < layer1_size; c++) cent[layer1_size * b + c] /= closev; 
            } 
            for (c = 0; c < vocab_size; c++) { 
                closev = -10; 
                closeid = 0; 
                for (d = 0; d < clcn; d++) { 
                    x = 0; 
                    for (b = 0; b < layer1_size; b++) x += cent[layer1_size * d + b] * syn0[c * layer1_size + b]; 
                    if (x > closev) { 
                        closev = x; 
                        closeid = d; 
                    } 
                } 
                cl[c] = closeid; 
            } 
        } 
        // Save the K-means classes 
        for (a = 0; a < vocab_size; a++) fprintf(fo, "%s %d/n", vocab[a].word, cl[a]); 
        free(centcn); 
        free(cent); 
        free(cl); 
    } 
    fclose(fo); 
} 
 
int ArgPos(char *str, int argc, char **argv) 
{ 
    int a; 
    for (a = 1; a < argc; a++) 
    { 
        if (!strcmp(str, argv[a])) 
        { 
            if (a == argc - 1) //参数出现在最后，但是没有指定值 
            { 
                printf("Argument missing for %s/n", str); 
                exit(1); 
            } 
            return a; 
        } 
    } 
    return -1; 
} 
int main(int argc, char ** argv) { 
    std::cout << "Hello, World!" << std::endl; 
    if (argc == 1) 
    { 
        printf("Options:/n"); 
        printf("Parameters for training:/n"); 
        printf("/t-train <file>/n"); 
        printf("/t/tUse text data from <file> to train the model/n"); 
        printf("/t-output <file>/n"); 
        printf("/t/tUse <file> to save the resulting word vectors / word clusters/n"); 
        printf("/t-size <int>/n"); 
        printf("/t/tSet size of word vectors; default is 100/n"); 
        printf("/t-window <int>/n"); 
        printf("/t/tSet max skip length between words; default is 5/n"); 
        printf("/t-sample <float>/n"); 
        printf("/t/tSet threshold for occurrence of words. Those that appear with higher frequency in the training data/n"); 
        printf("/t/twill be randomly down-sampled; default is 1e-3, useful range is (0, 1e-5)/n"); 
        printf("/t-hs <int>/n"); 
        printf("/t/tUse Hierarchical Softmax; default is 0 (not used)/n"); 
        printf("/t-negative <int>/n"); 
        printf("/t/tNumber of negative examples; default is 5, common values are 3 - 10 (0 = not used)/n"); 
        printf("/t-threads <int>/n"); 
        printf("/t/tUse <int> threads (default 12)/n"); 
        printf("/t-iter <int>/n"); 
        printf("/t/tRun more training iterations (default 5)/n"); 
        printf("/t-min-count <int>/n"); 
        printf("/t/tThis will discard words that appear less than <int> times; default is 5/n"); 
        printf("/t-alpha <float>/n"); 
        printf("/t/tSet the starting learning rate; default is 0.025 for skip-gram and 0.05 for CBOW/n"); 
        printf("/t-classes <int>/n"); 
        printf("/t/tOutput word classes rather than word vectors; default number of classes is 0 (vectors are written)/n"); 
        printf("/t-debug <int>/n"); 
        printf("/t/tSet the debug mode (default = 2 = more info during training)/n"); 
        printf("/t-binary <int>/n"); 
        printf("/t/tSave the resulting vectors in binary moded; default is 0 (off)/n"); 
        printf("/t-save-vocab <file>/n"); 
        printf("/t/tThe vocabulary will be saved to <file>/n"); 
        printf("/t-read-vocab <file>/n"); 
        printf("/t/tThe vocabulary will be read from <file>, not constructed from the training data/n"); 
        printf("/t-cbow <int>/n"); 
        printf("/t/tUse the continuous bag of words model; default is 1 (use 0 for skip-gram model)/n"); 
        printf("/nExamples:/n"); 
        printf("./word2vec -train data.txt -output vec.txt -size 200 -window 5 -sample 1e-4 -negative 5 -hs 0 -binary 0 -cbow 1 -iter 3/n/n"); 
        return 0; 
    } 
 
    output_file[0] = 0; 
    save_vocab_file[0] = 0; 
    read_vocab_file[0] = 0; 
    if ((i = ArgPos((char *)"-size", argc, argv)) > 0) layer1_size = atoi(argv[i + 1]); 
    if ((i = ArgPos((char *)"-train", argc, argv)) > 0) strcpy(train_file, argv[i + 1]); 
    if ((i = ArgPos((char *)"-save-vocab", argc, argv)) > 0) strcpy(save_vocab_file, argv[i + 1]); 
    if ((i = ArgPos((char *)"-read-vocab", argc, argv)) > 0) strcpy(read_vocab_file, argv[i + 1]); 
    if ((i = ArgPos((char *)"-debug", argc, argv)) > 0) debug_mode = atoi(argv[i + 1]); 
    if ((i = ArgPos((char *)"-binary", argc, argv)) > 0) binary = atoi(argv[i + 1]); 
    if ((i = ArgPos((char *)"-cbow", argc, argv)) > 0) cbow = atoi(argv[i + 1]); 
    if (cbow) alpha = 0.05; 
    if ((i = ArgPos((char *)"-alpha", argc, argv)) > 0) alpha = atof(argv[i + 1]); 
    if ((i = ArgPos((char *)"-output", argc, argv)) > 0) strcpy(output_file, argv[i + 1]); 
    if ((i = ArgPos((char *)"-window", argc, argv)) > 0) window = atoi(argv[i + 1]); 
    if ((i = ArgPos((char *)"-sample", argc, argv)) > 0) sample = atof(argv[i + 1]); 
    if ((i = ArgPos((char *)"-hs", argc, argv)) > 0) hs = atoi(argv[i + 1]); 
    if ((i = ArgPos((char *)"-negative", argc, argv)) > 0) negative = atoi(argv[i + 1]); 
    if ((i = ArgPos((char *)"-threads", argc, argv)) > 0) num_threads = atoi(argv[i + 1]); 
    if ((i = ArgPos((char *)"-iter", argc, argv)) > 0) iter = atoi(argv[i + 1]); 
    if ((i = ArgPos((char *)"-min-count", argc, argv)) > 0) min_count = atoi(argv[i + 1]); 
    if ((i = ArgPos((char *)"-classes", argc, argv)) > 0) classes = atoi(argv[i + 1]); 
    vocab = (struct vocab_word *)calloc(vocab_max_size, sizeof(struct vocab_word)); 
    vocab_hash = (int *)calloc(vocab_hash_size, sizeof(int)); 
    expTable = (real *)malloc((EXP_TABLE_SIZE + 1) * sizeof(real)); 
    for (i = 0; i < EXP_TABLE_SIZE; i++) { 
        expTable[i] = exp((i / (real)EXP_TABLE_SIZE * 2 - 1) * MAX_EXP); // Precompute the exp() table 
        expTable[i] = expTable[i] / (expTable[i] + 1);                   // Precompute f(x) = x / (x + 1) 
    } 
    TrainModel(); 
    return 0; 
}

参考：
http://blog.csdn.net/google19890102/article/details/51887344
http://blog.csdn.net/lingerlanlan/article/details/38232755
http://blog.csdn.net/itplus/article/details/37999613
http://blog.csdn.net/u014595019/article/details/51884529
https://www.zhihu.com/question/21661274