4个小节，预计用时30分钟。
请打开您的电脑，按照步骤一步步完成哦！
本教程基于Python 3.5。
原创者：SofaSofa TeamM | 修改校对：SofaSofa TeamC |
0. 前言
我们将用最最简短的语言告诉大家word2vec是什么，并且使用gensim来获得词向量。最后利用词向量来判断一个语句是文言文还是白话文，也就是完成“机器读中文2：辨古识今”。
1. 什么是Word2Vec？
Word2Vec是一种自然语言处理的模型，简单说来，就是把一个word表示为一个vector，所以叫Word2Vec。对于中文，一个Word可以是一个单词，也可以是一个词。
把词表示为向量，这样做有什么好处呢？第一是可以降维，如果把每个词都做one-hot编码，那么维度会特别大，如果把每个词都表示为长度为nn的向量，就可以完全省去one-hot带来的高维度。第二点，是可以挖掘词与词的联系。如果训练样本够大，我们会发现向量“猫”和向量“喵”会更相似，而不是“狗”。在英文中一个经典例子是，向量“Queen”-向量“Female”=向量“King”-向量“Male”。
Word2Vec模型是一个只有一个隐藏层的神经网络模型（如下）。每个词是一条数据，目的是预测这个词的后一个（或者kk个词）。输入数据是one-hot的向量，输出层的结果是预测该词后面出现的词。那么Word2Vec中的vector在哪里呢？这个向量其实就是隐藏层的数值。
2. 利用gensim计算Word2Vec
gensim是python中自然语言处理非常强大的包，而且极易使用。首先，我们在python中引用该包。
from gensim.models import Word2Vec下面我们来读取“机器读中文2：辨古识今”中的数据集。
import pandas as pd
train = pd.read_csv('train.txt')
test = pd.read_csv('test.txt')
texts = list(train['text']) + list(test['text'])不妨先看看texts里的内容有哪些。
print(texts[:10])['来扰乱天子的边防', '崤山以东地区虽然混乱', '秦昭王闻之 使人遗赵王书 愿以十五城请易璧', '臣不胜受恩感激', '现在如果把东西寄存在别人处', '南北朝所以不治 文采胜质厚也', '而流贼进攻更急 城里有许多不同的意见', '吾上有三兄 皆不幸早世', '没有人不讲究熏衣剃面', '王曰 善']接下来，就可以训练Word2Vec模型了。这里我们把每一个字作为一个word，每个字都会被表示为一个向量。一键完成，非常方便。
ndims = 50
model = Word2Vec(sentences=texts, size=ndims, window=5)模型中sentences是训练素材，size是指vector的长度，window是指窗长，也就是预测该词之后的5个词。这样，每个字都被表示成了一个长度为50的向量。下面我们不妨试几个词。
print(model.wv['之'])[-0.02306273 0.7689658 -0.23238362 -0.36329043 0.14156663 0.29761788
-0.45338956 -0.7482197 -0.06813935 -0.4105922 -0.3896525 -0.5217305
0.11865879 -0.32430476 -0.53716886 0.25903523 0.11261824 -0.3138387
-0.46736085 -0.04374949 -0.2901372 0.04580646 -0.24377792 0.36069182
0.45043638 -0.82071906 -0.77037716 0.65637636 0.45035675 -0.05211991
0.6374315 -0.52816385 0.09859632 -0.41244134 0.7426563 0.01779771
0.10559028 -0.04655827 0.26579723 -0.48558313 0.38831276 -0.3439704
0.26713774 -0.267362 -0.22380458 0.99069804 -0.28053552 0.16005835
0.05433292 0.40896153]
print(model.wv['的'])[-5.1170345e-02 7.3522794e-01 -2.1519105e-01 -3.3946022e-01
1.1915052e-01 3.1610066e-01 -4.1824239e-01 -7.6163346e-01
-4.0698811e-02 -4.0355769e-01 -3.0365336e-01 -4.8146579e-01
1.3719502e-01 -3.8396400e-01 -4.9982443e-01 2.2536282e-01
8.1103407e-02 -2.8362677e-01 -4.9123862e-01 7.8462285e-04
-3.2690132e-01 6.6004813e-02 -2.5450531e-01 3.4221938e-01
4.4872758e-01 -7.7068639e-01 -7.8395563e-01 6.9241500e-01
5.3227925e-01 -3.4683388e-02 6.6531086e-01 -5.2474988e-01
1.8498762e-01 -4.4998875e-01 7.4666858e-01 7.6578781e-02
1.6198398e-01 -8.5742459e-02 2.8727862e-01 -4.8327830e-01
3.2108101e-01 -3.9720288e-01 2.3086597e-01 -3.2169360e-01
-2.2850281e-01 1.0791894e+00 -2.7565178e-01 1.5590596e-01
-3.6102833e-04 4.3195924e-01]那么，哪些字和“之”最相近呢？答案如下，果不其然，最接近的也都是文言文中的常用字。
print(model.wv.most_similar('之', topn=5))[('其', 0.9995831847190857), ('者', 0.9995520114898682), ('以', 0.9995492696762085), ('此', 0.9995350241661072), ('欲', 0.9994945526123047)]再看看“的”，最接近“的”的字也都是白话文中的常用字。
print(model.wv.most_similar('的', topn=5))[('了', 0.9994625449180603), ('就', 0.9994519352912903), ('这', 0.9994337558746338), ('个', 0.999407172203064), ('都', 0.9993969798088074)]3. 利用词向量进行数据可视化
我们可以利用Word2Vec对文本进行数据可视化处理。首先，我们把每个字表示为长度为2的向量（也就是ndims=2），然后对每一句话中所有字的向量求均值。这样每句话都会被表示成平面上的一个点。
ndims = 2
model = Word2Vec(sentences=texts, size=ndims, window=5)
total = len(texts)
vecs = np.zeros([total, ndims])for i, sentence in enumerate(texts):
counts, row = 0, 0
for char in sentence:
try:
if char != ' ':
row += model.wv[char]
counts += 1
except:
pass
if counts == 0:
print(sentence)
vecs[i, :] = row / counts根据上面代码，我们得到了训练集train的向量表达vecs。vecs中每一行代表一句话，用一个长度为2的向量表示。结合训练集中的真实标签train['y']，我们可以在坐标系中绘出词向量。
import matplotlib.pyplot as plt
plt.figure(figsize=(8, 8))
plt.axis([-1, 1.5, 1.5, 3])
colors = list(map(lambda x: 'red' if x == 1 else 'blue', train['y']))
plt.scatter(vecs[:, 0], vecs[:, 1], c=colors, alpha=0.2, s=30, lw=0)print('Word2Vec: 白话文(蓝色)与文言文(红色)')
plt.show()
尽管只用了长度为2的向量，文言文（红色）和白话文（蓝色）已经可以较好区分。
4. 利用Word2Vec建立文言、白话分类器
首先，引用包、读取数据。
import pandas as pd
import numpy as np
from sklearn.tree import DecisionTreeClassifierfrom gensim.models import Word2Vec
train = pd.read_csv('train.txt')
test = pd.read_csv('test.txt')
submit = pd.read_csv('sample_submit.csv')获取texts
total = len(train) + len(test)
n_train = len(train)
labeled_texts = []
texts = list(train['text']) + list(test['text'])利用Word2Vec，将每句话转成长度为100的数值向量。
ndims = 100
model = Word2Vec(sentences=texts, size=ndims)
vecs = np.zeros([total, ndims])for i, sentence in enumerate(texts):
counts, row = 0, 0
for char in sentence:
try:
if char != ' ':
row += model.wv[char]
counts += 1
except:
pass
if counts == 0:
print(sentence)
vecs[i, :] = row / counts利用sklearn中的DecisionTreeClassifier，建立决策树分类模型并得到最终的分类结果，保存至my_prediction.csv。
clf = DecisionTreeClassifier(max_depth=3, random_state=100)
clf.fit(vecs[:n_train], train['y'])
submit['y'] = clf.predict_proba(vecs[n_train:])[:, 1]
submit.to_csv('my_prediction.csv', index=False)我们不妨看看，我们的预测效果如何。（为了方便，我们把预测值大于0.5的标为1文言文，小于0.5的标为0白话文。）
test['pred'] = (submit['y'] > 0.5).astype(int)
test.head(20)| id | text | pred | |
|---|---|---|---|
| 0 | 5000 | 后来又合并为七个强国 | 0 |
| 1 | 5001 | 与吾父居者 今其室十无二三焉 | 1 |
| 2 | 5002 | 那么政局就会安定了 | 0 |
| 3 | 5003 | 我资米若薪于百姓 后之人必尔乎索之 | 1 |
| 4 | 5004 | 昔虞国宫之奇少长於君 君狎之 | 1 |
| 5 | 5005 | 我们怎能学他那种穷途的哭泣 | 0 |
| 6 | 5006 | 迫而视之 乃前寄辞者 | 1 |
| 7 | 5007 | 但后来执掌法律的官员却以耗费国家资财的罪名上书弹劾 | 0 |
| 8 | 5008 | 你们因为张公的智慧得到了生存 他就是你们的再生父母 | 0 |
| 9 | 5009 | 以父荫补弘文校书郎 擢累谏议大夫 | 1 |
| 10 | 5010 | 操蛇之神闻之 惧其不已也 告之于帝 | 1 |
| 11 | 5011 | 夫不通礼义之旨 至于君不君 | 1 |
| 12 | 5012 | 今老矣 无能为也已 | 1 |
| 13 | 5013 | 这难道不是得到它的好处却背叛它的恩惠吗 | 0 |
| 14 | 5014 | 念诸父与诸兄 皆康强而早世 | 1 |
| 15 | 5015 | 晋侯 秦伯围郑 以其无礼于晋 且贰于楚也 | 1 |
| 16 | 5016 | 陈王闻 乃使武平君畔为将军 监郯下军 | 1 |
| 17 | 5017 | 汗流浃背 吃不下东西 说 | 0 |
| 18 | 5018 | 业已整齐门内 提撕子孙 | 1 |
| 19 | 5019 | 只要有胜过我的地方 就很可贵 | 0 |
这个分类结果还是比较让人满意的。上传到排行榜看看结果如何吧！
整个分类过程的完整代码如下：
# -*- coding: utf-8 -*-import pandas as pd
import numpy as np
from sklearn.tree import DecisionTreeClassifierfrom gensim.models import Word2Vec
train = pd.read_csv('train.txt')
test = pd.read_csv('test.txt')
submit = pd.read_csv('sample_submit.csv')
total = len(train) + len(test)
n_train = len(train)
labeled_texts = []
texts = list(train['text']) + list(test['text'])
ndims = 100
model = Word2Vec(sentences=texts, size=ndims)
vecs = np.zeros([total, ndims])for i, sentence in enumerate(texts):
counts, row = 0, 0
for char in sentence:
try:
if char != ' ':
row += model.wv[char]
counts += 1
except:
pass
if counts == 0:
print(sentence)
vecs[i, :] = row / counts
clf = DecisionTreeClassifier(max_depth=3, random_state=100)
clf.fit(vecs[:n_train], train['y'])
submit['y'] = clf.predict_proba(vecs[n_train:])[:, 1]
submit.to_csv('my_prediction.csv', index=False)猜你可能喜欢
扫一扫
1191
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
