word2vec训练中文模型—wiki百科中文库

ps:整理电脑文档,将之前的做的word2vec训练的中文模型实验记录做下poko,欢迎交流学习。

1.准备数据与预处理

注意事项请将内存最好选择8g及以上的电脑,否则可能卡顿,并在开始时候安装好python的使用环境,不仅是python 的安装,最好还有就是安装好Anaconda3,修改相关的系统环境PATH变量,并且如果原先有python的路径去掉。并且还要安装好相关的gensim等库,具体参看本地文件“windowslinux 安装gensim简易方法”。

首先需要一份比较大的中文语料数据,可以考虑中文的维基百科(也可以试试搜狗的新闻语料库)。中文维基百科的打包文件地址为
https://dumps.wikimedia.org/zhwiki/latest/zhwiki-latest-pages-articles.xml.bz2

中文维基百科的数据不是太大,xml的压缩文件大约1G左右。首先用 process_wiki_data.py处理这个XML压缩文件,执行:

pythonprocess_wiki_data.py zhwiki-latest-pages-articles.xml.bz2 wiki.zh.txt

其中,process_wiki_data.py代码如下:

#!/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',encoding='utf-8')
#这里网络上的内容是不正确,自己运行的时候都是报编码错误,具体可本地帮助文档
#Python UnicodeEncodeError 'gbk' codec can't encode character 解决方法
    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")

得到结果信息如下:

2017-11-20 11:03:29,427: INFO: Saved 10000 articles
2017-11-20 11:04:08,134: INFO: Saved 20000 articles
2017-11-20 11:04:43,148: INFO: Saved 30000 articles
……
2017-11-20 11:26:59,867: INFO: Saved 280000 articles
2017-11-20 11:27:55,025: INFO: Saved 290000 articles
2017-11-20 11:28:56,531: INFO: Saved 300000 articles
2017-11-20 11:29:06,494: INFO: finished iterating over Wikipedia corpus of 30173
2 documents with 68023327 positions (total 3037547 articles, 81054190 positions
before pruning articles shorter than 50 words)
2017-11-20 11:29:06,640: INFO: Finished Saved 301732 articles

2. 使用opencc进行将wiki.zh.txt中的所有繁体字转换为简体字

2.1 中文繁体替换成简体

Wiki中文语料中包含了很多繁体字,需要转成简体字再进行处理,这里使用到了OpenCC工具进行转换。

(由于网上的实践python的jieba的完成分词操作的代码的不熟悉,所以采用了是opencc先进行的对于wiki.zh.txt进行繁体字与简体字的进一步的预先处理,将所有的繁体字转换成简体字)

(1)安装OpenCC
到以下链接地址下载对应版本的OpenCC,本人下载的版本是opencc-1.0.1-win64.7z
https://bintray.com/package/files/byvoid/opencc/OpenCC
另外,资料显示还有python版本的,使用pip install opencc-python进行安装,未实践不做赘述。
(2)使用OpenCC进行繁简转换

进入解压后的opencc的目录(opencc-1.0.1-win64),双击打开opencc.exe文件。将wiki.zh.txt文件复制黏贴放在opencc目录中,打开dos窗口(Shift+鼠标右键->在此处打开命令窗口),输入如下命令行:

        opencc -i wiki.zh.txt -o wiki.zh.simp.txt -c t2s.json

则会得到文件wiki.zh.simp.txt,即转成了简体的中文。

得到大约是998mb的wiki.zh.simp.txt文件,将其再是剪切放回到原先的执行目录(自己设置的文件执行目录)中。

(3)结果查看

解压后的txt有900多M,用notepad++无法打开,所以采用python自带的IO进行读取。Python代码如下:设置一个文件名为openFile.py。

# -*- coding: utf-8 -*-
import codecs,sys
f = codecs.open('wiki.zh.simp.seg.txt','r',encoding="utf8")
line = f.readline()
print(line)

2.2 jieba分词

本例中采用结巴分词对字体简化后的wiki中文语料数据集进行分词,在执行代码前需要安装jieba(pipinstall jieba)模块。由于此语料已经去除了标点符号,因此在分词程序中无需进行清洗操作,可直接分词。若是自己采集的数据还需进行标点符号去除和去除停用词的操作。
Python实现代码如下:

# -*- coding: utf-8 -*-
#逐行读取文件数据进行jieba分词

import jieba
import jieba.analyse
import jieba.posseg as pseg #引入词性标注接口
import  codecs,sys

if __name__ == '__main__':
    f=codecs.open('wiki.zh.simp.txt','r',encoding='utf-8')
    target=codecs.open('wiki.zh.simp.seg.txt','w',encoding='utf-8')
    print ('open files.')

    lineNum=1
    line=f.readline()
    while line:
        print('---processing',lineNum,'article---')
        seg_list = jieba.cut(line ,cut_all=False)
        line_seg = ' '.join(seg_list)
        target.writelines(line_seg)
        lineNum = lineNum + 1
        line = f.readline()

    print('well done !!!')
    f.close()
    target.close()

代码执行完成后得到一个1.12G大小的文档wiki.zh.simp.seg.txt。分词结果截图如下所示:

四、Word2Vec模型训练

(1)word2vec模型实现

分好词的文档即可进行word2vec词向量模型的训练了。文档较大,本人在8GWin7的电脑中训练完成,且速度但是速度不是很快。具体Python代码实现如下所示,文件命名为train_word2vec_model.py。

# -*- coding: utf-8 -*-
# !/usr/bin/env python
# -*- coding: utf-8 -*-
# train_word2vec_model.py用于训练模型
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)

接着用word2vec工具训练(执行代码):

python train_word2vec_model.pywiki.zh.txt.seg wiki.zh.txt.model wiki.zh.txt.vector

(2)运行结果查看
2017-11-19 21:54:14,887: INFO: training on 822697865 raw words (765330910 effective words) took 1655.2s, 462390 effective words/s
2017-11-19 21:54:14,888: INFO: saving Word2Vec object under /Users/sy/Desktop/pyRoot/wiki_zh_vec/wiki.zh.text.model, separately None
2017-11-19 21:54:14,888: INFO: not storing attribute syn0norm
2017-11-19 21:54:14,889: INFO: storing np array 'syn0' to /Users/sy/Desktop/pyRoot/wiki_zh_vec/wiki.zh.text.model.wv.syn0.npy
2017-11-19 21:54:16,505: INFO: storing np array 'syn1neg' to /Users/sy/Desktop/pyRoot/wiki_zh_vec/wiki.zh.text.model.syn1neg.npy
2017-11-19 21:54:18,123: INFO: not storing attribute cum_table
2017-11-19 21:54:26,542: INFO: saved E:/Codes/DeepLearning/NLP/wiki.zh.text.model
2017-11-19 21:54:26,543: INFO: storing 733434x400 projection weights into E:/Codes/DeepLearning/NLP/wiki.zh.text.model

摘取了最后几行代码运行信息,代码运行完成后得到如下四个文件,其wiki.zh.text.model是建好的模型,wiki.zh.text.vector是词向量。

五、模型测试

模型训练好后,来测试模型的结果。Python代码如下,文件名为model_match.py。(目前调试总是失败,还未找到import关于多数组的解决方法,只好退而求其次,在dos窗口直接运行,也是一种方法)。

其代码如下(调试失败,需要进一步搜索解决方案):


# -*- coding: utf-8 -*-
# model_match.py 测试训练好的模型

import warnings
warnings.filterwarnings(action='ignore',category=UserWarning,module='gensim')
#忽略警告
#import sys
#reload(sys)
#sys.setdefaultencoding('utf-8')
import sys
#reload(sys)
#sys.setdefaultencoding("utf-8")
import importlib
importlib.reload(sys)
import gensim

if __name__ == '__main__' :
    fdir='E:/PyCharm/Codes/DeepLearning/NLP/'
    model=gensim.models.Word2Vec.load(fdir + 'wiki.zh.txt.model')

    word=model.most_similar(u'手机')
    #  u 表示是utf-8编码,如果是英文则不需要书写u,而在本例中需要
    #如果需要训练或者测试模型,可以对 '' 内的手机这个词汇进行修改
    for w in word :
        print(w[0],w[1])
    #内里呈现的是二维的数组,并且t[0]表示是对应的关联词汇,t[1]表示关联度多高。使用概率小数表达

首先该执行目录下输入:python进入到Anaconda的python环境。

在dos窗口中依次输入以下代码行。

import gensim
model = gensim.models.Word2Vec.load("wiki.zh.txt.model")
result = model.most_similar(u"足球")
for r in result:
    print(r[0],r[1])

注意事项:在for循环输入之后,看见的有以下的情况,请注意按下tab键,或者是连续4下空格键,不然会出现异常报错。


完整输入过程显示以及结果如下:

以上,关于word2vec训练模型以及完毕,之后的对于其他的训练文本,可按照自己所需进行。并且类似的我们还可以训练其他的语料库等等。




版权声明:本文为博主原创文章,未经博主允许不得转载。https://blog.csdn.net/mukvintt/article/details/79947868

阅读更多
想对作者说点什么?

博主推荐

换一批

没有更多推荐了,返回首页