【用户行为分析】用wiki百科中文语料训练word2vec模型

最新推荐文章于 2022-02-20 23:31:31 发布

昕玫

最新推荐文章于 2022-02-20 23:31:31 发布

阅读量1.7w

点赞数 12

分类专栏：大数据分析文章标签： gensim word2vec 语义分析自然语言处理

本文链接：https://blog.csdn.net/hereiskxm/article/details/49664845

版权

大数据分析专栏收录该内容

16 篇文章 1 订阅

订阅专栏

本文地址： http://blog.csdn.net/hereiskxm/article/details/49664845

前言

最近在调研基于内容的用户行为分析，在过程中发现了word2vec这个很有帮助的算法。word2vec，顾名思义是将词语（word）转化为向量（vector）的的工具。产自Google，于2013年开源。在向量模型中，我们可以做基于相似度（向量距离/夹角）的运算。在模型中向量的相似度即对应词之间语义的相似度，简单来说，就是两个词在同一个语义场景出现的概率。比如，我们向模型输入 ”java“ 和 ”程序员“，得到 0.47。如果输入 ”java“ 和 "化妆"，则得到0.00014。相较即可知前者在语义上相似度远大于后者，这给我们提供了很多利用的可能性。后文会有更多word2vec的例子。

word2vec官方项目地址： https://code.google.com/p/word2vec/

word2vec有几种语言的实现，官方项目是C语言版本的，除此外有Java，python，spark语言的实现。都可以在此页面中找到链接。本文采用了python的版本进行训练。

word2vec算法可以通过学习一系列的语料建立模型，而wiki百科是一个全面的语料来源，接下来让我们看看用wiki语料训练模型的过程。

2. 前期准备

wiki中文语料下载：https://dumps.wikimedia.org/zhwiki/latest/zhwiki-latest-pages-articles.xml.bz2 （如果需要英文材料可以把链接中的zh改为en）

安装gensim，准备python环境：http://blog.csdn.net/hereiskxm/article/details/49424799

3. 语料处理

wiki语料下载下来是xml格式的，我们把它转为txt格式。编写python脚本如下：

#!/usr/bin/env python
# -*- coding: utf-8 -*-
 
import logging
import os.path
import sys
 
from gensim.corpora import WikiCorpus
 
if __name__ == '__main__':
    program = os.path.basename(sys.argv[0])
    logger = logging.getLogger(program)
 
    logging.basicConfig(format='%(asctime)s: %(levelname)s: %(message)s')
    logging.root.setLevel(level=logging.INFO)
    logger.info("running %s" % ' '.join(sys.argv))
 
    # check and process input arguments
    if len(sys.argv) < 3:
        print globals()['__doc__'] % locals()
        sys.exit(1)
    inp, outp = sys.argv[1:3]
    space = " "
    i = 0
 
    output = open(outp, 'w')
    wiki = WikiCorpus(inp, lemmatize=False, dictionary={})
    for text in wiki.get_texts():
        output.write(space.join(text) + "\n")
        i = i + 1
        if (i % 10000 == 0):
            logger.info("Saved " + str(i) + " articles")
 
    output.close()
    logger.info("Finished Saved " + str(i) + " articles")

保存文件为：process_wiki.py，并在命令行执行此脚本：python process_wiki.py zhwiki-latest-pages-articles.xml.bz2 wiki.zh.txt。

2015-03-07 15:08:39,181: INFO: running process_enwiki.py zhwiki-latest-pages-articles.xml.bz2 wiki.zh.txt
2015-03-07 15:11:12,860: INFO: Saved 10000 articles
2015-03-07 15:13:25,369: INFO: Saved 20000 articles
2015-03-07 15:15:19,771: INFO: Saved 30000 articles
2015-03-07 15:16:58,424: INFO: Saved 40000 articles
2015-03-07 15:18:12,374: INFO: Saved 50000 articles
2015-03-07 15:19:03,213: INFO: Saved 60000 articles
2015-03-07 15:19:47,656: INFO: Saved 70000 articles
2015-03-07 15:20:29,135: INFO: Saved 80000 articles
2015-03-07 15:22:02,365: INFO: Saved 90000 articles
2015-03-07 15:23:40,141: INFO: Saved 100000 articles
.....
2015-03-07 19:33:16,549: INFO: Saved 3700000 articles
2015-03-07 19:33:49,493: INFO: Saved 3710000 articles
2015-03-07 19:34:23,442: INFO: Saved 3720000 articles
2015-03-07 19:34:57,984: INFO: Saved 3730000 articles
2015-03-07 19:35:31,976: INFO: Saved 3740000 articles
2015-03-07 19:36:05,790: INFO: Saved 3750000 articles
2015-03-07 19:36:32,392: INFO: finished iterating over Wikipedia corpus of 3758076 documents with 2018886604 positions (total 15271374 articles, 2075130438 positions before pruning articles shorter than 50 words)
2015-03-07 19:36:32,394: INFO: Finished Saved 3758076 articles

我的执行过程已经不在了，大概执行过程的命令行显示类似上面。本机（8G内存）跑用时约30分钟。

完成之后，会在当前目录下得到一个txt文件，内容已经是UTF-8编码的文本格式了。

打开来看看，可以看到结构大概是一篇文章一行，每行内有多个以空格划分的短句（可右键查看图片看大图）：

接下来对其进行分词，此处分词我写了一个短Java程序来做，处理流程是：繁体转简体 -> 分词（去停用词） -> 去除不需要的词。我不能确定wiki中只有繁体还是有繁有简，所以统一转为简体处理，否则一个词的繁体和简体两种形式会被word2vec算法当成两个不同的词处理。

分词过程需要注意，我们除了去停用词外，还要选择有人名识别的分词算法。MMSeg是我最初的选择，但后来放弃了，就是因为其对专有名词、品牌或人名是不识别成一个词的，它将其每一个字独立成词。这种形式用在搜索引擎里是合适的，但在此处明显不当，会让我们丢失很多信息。最后选用word分词算法，效果还算满意。

至于去除不需要的词这里就见仁见智了，我选择去除了纯数字和数字加中文的词，因为我不需要这些，对我来说它们是混淆项。

经过分词之后的文件变成了这样：

我保留了一篇文章一行的形式。检查一下专有名词和人名，基本按正常情况分词了。

4. 模型训练

代码如下：

#!/usr/bin/env python
# -*- coding: utf-8 -*-
 
import logging
import os.path
import sys
import multiprocessing
 
from gensim.corpora import WikiCorpus
from gensim.models import Word2Vec
from gensim.models.word2vec import LineSentence
 
if __name__ == '__main__':
    program = os.path.basename(sys.argv[0])
    logger = logging.getLogger(program)
 
    logging.basicConfig(format='%(asctime)s: %(levelname)s: %(message)s')
    logging.root.setLevel(level=logging.INFO)
    logger.info("running %s" % ' '.join(sys.argv))
 
    # check and process input arguments
    if len(sys.argv) < 4:
        print globals()['__doc__'] % locals()
        sys.exit(1)
    inp, outp1, outp2 = sys.argv[1:4]
 
    model = Word2Vec(LineSentence(inp), size=400, window=5, min_count=5,
            workers=multiprocessing.cpu_count())
 
    # trim unneeded model memory = use(much) less RAM
    #model.init_sims(replace=True)
    model.save(outp1)
    model.save_word2vec_format(outp2, binary=False)

执行 python train_word2vec_model.py wiki.zh.txt wiki.zh.text.model wiki.zh.text.vector

执行过程大致如下：

2015-03-11 18:50:02,586: INFO: running train_word2vec_model.py wiki.zh.text.jian.seg.utf-8 wiki.zh.text.model wiki.zh.text.vector
2015-03-11 18:50:02,592: INFO: collecting all words and their counts
2015-03-11 18:50:02,592: INFO: PROGRESS: at sentence #0, processed 0 words and 0 word types
2015-03-11 18:50:12,476: INFO: PROGRESS: at sentence #10000, processed 12914562 words and 254662 word types
2015-03-11 18:50:20,215: INFO: PROGRESS: at sentence #20000, processed 22308801 words and 373573 word types
2015-03-11 18:50:28,448: INFO: PROGRESS: at sentence #30000, processed 30724902 words and 460837 word types
...
2015-03-11 18:52:03,498: INFO: PROGRESS: at sentence #210000, processed 143804601 words and 1483608 word types
2015-03-11 18:52:07,772: INFO: PROGRESS: at sentence #220000, processed 149352283 words and 1521199 word types
2015-03-11 18:52:11,639: INFO: PROGRESS: at sentence #230000, processed 154741839 words and 1563584 word types
2015-03-11 18:52:12,746: INFO: collected 1575172 word types from a corpus of 156430908 words and 232894 sentences
2015-03-11 18:52:13,672: INFO: total 278291 word types after removing those with count<5
2015-03-11 18:52:13,673: INFO: constructing a huffman tree from 278291 words
2015-03-11 18:52:29,323: INFO: built huffman tree with maximum node depth 25
2015-03-11 18:52:29,683: INFO: resetting layer weights
2015-03-11 18:52:38,805: INFO: training model with 4 workers on 278291 vocabulary and 400 features, using 'skipgram'=1 'hierarchical softmax'=1 'subsample'=0 and 'negative sampling'=0
2015-03-11 18:52:49,504: INFO: PROGRESS: at 0.10% words, alpha 0.02500, 15008 words/s
2015-03-11 18:52:51,935: INFO: PROGRESS: at 0.38% words, alpha 0.02500, 44434 words/s
2015-03-11 18:52:54,779: INFO: PROGRESS: at 0.56% words, alpha 0.02500, 53965 words/s
2015-03-11 18:52:57,240: INFO: PROGRESS: at 0.62% words, alpha 0.02491, 52116 words/s
2015-03-11 18:52:58,823: INFO: PROGRESS: at 0.72% words, alpha 0.02494, 55804 words/s
2015-03-11 18:53:03,649: INFO: PROGRESS: at 0.94% words, alpha 0.02486, 58277 words/s
2015-03-11 18:53:07,357: INFO: PROGRESS: at 1.03% words, alpha 0.02479, 56036 words/s
......
2015-03-11 19:22:09,002: INFO: PROGRESS: at 98.38% words, alpha 0.00044, 85936 words/s
2015-03-11 19:22:10,321: INFO: PROGRESS: at 98.50% words, alpha 0.00044, 85971 words/s
2015-03-11 19:22:11,934: INFO: PROGRESS: at 98.55% words, alpha 0.00039, 85940 words/s
2015-03-11 19:22:13,384: INFO: PROGRESS: at 98.65% words, alpha 0.00036, 85960 words/s
2015-03-11 19:22:13,883: INFO: training on 152625573 words took 1775.1s, 85982 words/s
2015-03-11 19:22:13,883: INFO: saving Word2Vec object under wiki.zh.text.model, separately None
2015-03-11 19:22:13,884: INFO: not storing attribute syn0norm
2015-03-11 19:22:13,884: INFO: storing numpy array 'syn0' to wiki.zh.text.model.syn0.npy
2015-03-11 19:22:20,797: INFO: storing numpy array 'syn1' to wiki.zh.text.model.syn1.npy
2015-03-11 19:22:40,667: INFO: storing 278291x400 projection weights into wiki.zh.text.vector

建模过程耗时30分钟左右。

我们看看wiki.zh.text.vector的内容：

可以看出，一行是一个词的向量，后面的各个数字是词向量每个维度的值。

测试一下我们的模型：

Python 2.7.10 |Anaconda 2.3.0 (64-bit)| (default, May 28 2015, 17:02:03) 
[GCC 4.4.7 20120313 (Red Hat 4.4.7-1)] on linux2
Type "help", "copyright", "credits" or "license" for more information.
Anaconda is brought to you by Continuum Analytics.
Please check out: http://continuum.io/thanks and https://binstar.org
>>> import gensim                                              1、引入gensim
WARNING (theano.configdefaults): g++ not detected ! Theano will be unable to execute optimized C-implementations (for both CPU and GPU) and will default to Python implementations. Performance will be severely degraded. To remove this warning, set Theano flags cxx to an empty string.
>>> model = gensim.models.Word2Vec.load("wiki.zh.text.model")  2、加载模型
>>> model.most_similar(u"足球")                                3、查看和足球最相关的词
[(u'\u7532\u7ea7', 0.72623610496521), (u'\u8054\u8d5b', 0.6967484951019287), (u'\u4e59\u7ea7', 0.6815086603164673), (u'\u5973\u5b50\u8db3\u7403', 0.6662559509277344), (u'\u8377\u5170\u8db3\u7403', 0.6462257504463196), (u'\u8db3\u7403\u961f', 0.6444228887557983), (u'\u5fb7\u56fd\u8db3\u7403', 0.6352497935295105), (u'\u8db3\u7403\u534f\u4f1a', 0.6313000917434692), (u'\u6bd4\u5229\u65f6\u676f', 0.6311478614807129), (u'\u4ff1\u4e50\u90e8', 0.6295265555381775)]

结果是：

[(u'甲级', 0.72623610496521), (u'联赛', 0.6967484951019287), (u'乙级', 0.6815086603164673), (u'女子足球', 0.6662559509277344), (u'荷兰足球', 0.6462257504463196), (u'足球队', 0.6444228887557983), (u'德国足球', 0.6352497935295105), (u'足球协会', 0.6313000917434692), (u'比利时杯', 0.6311478614807129), (u'俱乐部', 0.6295265555381775)]

其他例子：

兔子

[(u'一只', 0.5688103437423706), (u'小狗', 0.5381371974945068), (u'来点', 0.5336571931838989), (u'猫', 0.5334546566009521), (u'老鼠', 0.5177739858627319), (u'青蛙', 0.4972209334373474), (u'狗', 0.4893607497215271), (u'狐狸', 0.48909318447113037), (u'猫咪', 0.47951626777648926), (u'兔', 0.4779919385910034)]

股票

[(u'交易所', 0.7432450652122498), (u'证券', 0.7410451769828796), (u'ipo', 0.7379931211471558), (u'股价', 0.7343258857727051), (u'期货', 0.7162749767303467), (u'每股', 0.700008749961853), (u'kospi', 0.6965476274490356), (u'换股', 0.6927754282951355), (u'创业板', 0.6897038221359253), (u'收盘报', 0.6847120523452759)]

音乐

[(u'流行', 0.6373772621154785), (u'录影带', 0.6004574298858643), (u'音乐演奏', 0.5833497047424316), (u'starships', 0.5774279832839966), (u'乐风', 0.5701465606689453), (u'流行摇滚', 0.5658928155899048), (u'流行乐', 0.5657000541687012), (u'雷鬼音乐', 0.5649317502975464), (u'后摇滚', 0.5644392371177673), (u'节目音乐', 0.5602964162826538)]

电影

[(u'悬疑片', 0.7044901847839355), (u'本片', 0.6980072259902954), (u'喜剧片', 0.6958730220794678), (u'影片', 0.6780649423599243), (u'长片', 0.6747604608535767), (u'动作片', 0.6695533990859985), (u'该片', 0.6645846366882324), (u'科幻片', 0.6598016023635864), (u'爱情片', 0.6590006947517395), (u'此片', 0.6568557024002075)]

招标

[(u'批出', 0.6294339895248413), (u'工程招标', 0.6275389194488525), (u'标书', 0.613800048828125), (u'公开招标', 0.5919119715690613), (u'开标', 0.5917631387710571), (u'流标', 0.5791728496551514), (u'决标', 0.5737971067428589), (u'施工', 0.5641534328460693), (u'中标者', 0.5528303980827332), (u'建设期', 0.5518919825553894)]

女儿

[(u'妻子', 0.8230685591697693), (u'儿子', 0.8067737817764282), (u'丈夫', 0.7952680587768555), (u'母亲', 0.7670352458953857), (u'小女儿', 0.7492039203643799), (u'亲生', 0.7171255350112915), (u'生下', 0.7126915454864502), (u'嫁给', 0.7088421583175659), (u'孩子', 0.703400731086731), (u'弟弟', 0.7023398876190186)]

比较两个词的相似度：

>>> 
KeyboardInterrupt
>>> model.similarity(u"足球",u"运动")   
0.1059533903509985
>>> model.similarity(u"足球",u"球类")
0.26147174351997882
>>> model.similarity(u"足球",u"篮球")
0.56019543381248371
>>> model.similarity(u"IT",u"程序员")
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "/home/hermes/anaconda/lib/python2.7/site-packages/gensim/models/word2vec.py", line 1279, in similarity
    return dot(matutils.unitvec(self[w1]), matutils.unitvec(self[w2]))
  File "/home/hermes/anaconda/lib/python2.7/site-packages/gensim/models/word2vec.py", line 1259, in __getitem__
    return self.syn0[self.vocab[words].index]
KeyError: u'IT'

分析一下：

“足球”和“运动”的相似度只有0.1，“足球”和“球类”的相似度是0.26，可以看出上下级包含关系的词在相似性上不突出，但仍然能看出越细的类别体现出来的相似度越好。“足球”和“篮球”的相似度有0.56，可以看出平级的词之间相似度较好。想计算“IT”和”程序员“之间的相似度，发现报错了，原来是IT这个词在模型中不存在，恐怕是在去停用词时当成it被过滤掉了。

>>> model.similarity("java",u"程序员")
0.47254847166534308
>>> model.similarity("java","asp")    
0.39323879449275156
>>> model.similarity("java","cpp")
0.50034941548721434
>>> model.similarity("java",u"接口")
0.4277060809963118
>>> model.similarity("java",u"运动")
0.017056843004573947
>>> model.similarity("java",u"化妆")
0.00014340386119819637
>>> model.similarity(u"眼线",u"眼影")  
0.46869071954910552

“java”和“运动”，“java”和“化妆”之间的相似度极小，可以看出话题相差越远的词在相似度上的确有所体现。

模型训练就到这里结束了，可以看出还有很多可以优化的地方，这和语料库的规模有关，还和分词器的效果有关等等，不过这个实验暂且就到这里了。对于word2vec，我们更关注的是word2vec在具体的应用任务中的效果，在我们项目中有意愿用其进行聚类结果的自动标签化，如果还有一些其他应用，也欢迎大家一起探讨。如果想要这个模型，可以通过评论或者私信联系我。

最后补充

a) 关于很多同学私信我的java版本similarity方法实现：

	/**
	 * 求近似程度（点乘向量）
	 * 
	 * @return
	 */
	public Float similarity(String word0, String word1) {
		float[] wv0 = getWordVector(word0);
		float[] wv1 = getWordVector(word1);

		if (wv1 == null || wv0 == null) {
			return null;
		}
		float score = 0;
		for (int i = 0; i < size; i++) {
			score += wv1[i] * wv0[i];
		}
		return score;
	}

b)关于大家最关心的训练结果的分享：

word2vec - wiki百科gensim训练模型

密码：j15o

参考资料：中英文维基百科语料上的Word2Vec实验