GOOGLE开源的word2vec能够把词映射到K维空间,每个词有独自的向量表示,从而得出词语词之间的距离(相似度)。但是其自带的基本语料text8是本身就十分适合于训练的(全部是英文单词,中间用空格隔开,没有多余的信息)语料,训练的结果自然很好。本文就是说明一下如何用word2vec处理中文语料。
想到的能使用训练集自然是维基百科的中文语料,里面包含大概23万篇文章,解压后有5G多。这种XML文件还是会有很多不必要的噪声,于是我们又要用到抽取其中内容的工具,意大利人用python写的WikiExtractor.py。
下载后可以直接进行处理,命令:bzcat zhwiki-latest-pages-articles.xml.bz2 | python WikiExtractor.py -b1000M -o extracted >output.txt,(参考了licstar维基百科简体中文语料的获取)一开始出现了参数不足的问题,将语料解压后改用了:python WikiExtractor.pyzhwiki-latest-pages-articles.xml -b1000M -o extracted >output.txt,大概4小时运行结束。
但是这只是去噪的第一步,把文本内容抽取
中文语料上的word2vec训练
最新推荐文章于 2024-05-25 09:57:35 发布
![](https://img-home.csdnimg.cn/images/20240711042549.png)