酒店的属性为员工素质设施服务清洁程度舒适度性价比位置。求解以上6个属性与total_doc_list里面25个关键词之间的相似度相似度高则划分为属性的二级影响因素。采用Word2Vec里面的gensimmodel 进行相似度计算怎么计算相似度？可以使用gensimmodel中的Word2Vec模型进行训练得到词向量模型怎么写？确保获得一个可靠的模型sims = modelwvmost_simila

首先，需要将total_doc_list中的关键词作为语料库进行训练得到词向量模型。可以使用以下代码进行训练：

from gensim.models import Word2Vec

# 将total_doc_list中的关键词作为语料库
sentences = total_doc_list

# 训练Word2Vec词向量模型
model = Word2Vec(sentences, size=100, window=5, min_count=1, workers=4)

其中，size表示词向量的维度，window表示上下文窗口大小，min_count表示最小出现次数，workers表示并行处理的线程数。

训练好词向量模型后，可以使用以下代码计算属性与关键词之间的相似度：

# 属性列表
attributes = ['员工素质', '设施服务', '清洁程度', '舒适度', '性价比', '位置']

# 循环计算属性与关键词之间的相似度
for attribute in attributes:
    print(attribute + ':')
    for keyword in total_doc_list:
        similarity = model.wv.similarity(attribute, keyword)
        if similarity >= 0.5:
            print('\t' + keyword + ': ' + str(similarity))

其中，model.wv.similarity(key1, key2)用于计算两个关键词之间的相似度，取值范围为[-1, 1]，sims = model.wv.most_similar(key, topn=top)用于获取与关键词最相似的topn个关键词及其相似度。

需要注意的是，使用gensim.model中的Word2Vec模型进行相似度计算需要保证语料库的质量和数量，否则得到的模型和相似度计算结果可能不够准确