DeepLearning4J入门——让计算机阅读《天龙八部》

DeepLearning4J入门——让计算机阅读《天龙八部》

原文网址：   http://blog.csdn.net/a398942089/article/details/51970691

很早在实验室就看见钱宝宝用Google的Word2Vector来阅读《天龙八部》并找出与指定词最相关的几个词，最近正好学习新出的深度学习开源项目DeepLearning4J，于是就拿这个例子来练手吧。DL4J快速入门请看 http://deeplearning4j.org/quickstart.html 。

DeepLearning4J的Example中自带了很多应用实例，Word2Vector也在其中，因此我的工作主要是以下几步：

1.    准备开发环境和原始数据

2.    分词，格式转换

3.    构建Word2Vector模型并训练

4.    测试并输出

 

一．     准备开发环境和原始数据

开发环境我使用的是IDEA（用eclipse也OK），JDK1.7，Maven3.3.1。

上武侠小说网下载一篇《天龙八部》，去掉文件首尾的不相关信息，重命名放到指定位置，OK。

二．     分词、格式转换

我比较喜欢使用复旦NLP，一是用惯了熟练，二是使用起来也方便，Maven引用FNLP有一点小问题，解决方法可以参考我以前的文章，这里不再赘述。

新建Java工程（或者直接使用DL4J-example工程），新建JavaClass，命名为FudanTokenizer：

[java]  view plain  copy

 

1. package edu.zju.cst.krselee.example.word2vector;  
2.   
3. /** 
4.  * Created by KrseLee on 16/7/20. 
5.  */  
6.   
7.     import org.fnlp.nlp.cn.tag.CWSTagger;  
8.     import org.fnlp.util.exception.LoadModelException;  
9.   
10.     import java.io.IOException;  
11.     import java.util.List;  
12.   
13.     import org.fnlp.ml.types.Dictionary;  
14.     import org.fnlp.nlp.corpus.StopWords;  
15.   
16. public class FudanTokenizer {  
17.   
18.     private CWSTagger tag;  
19.   
20.     private StopWords stopWords;  
21.   
22.     public FudanTokenizer() {  
23.         String path = this.getClass().getClassLoader().getResource("").getPath();  
24.         System.out.println(path);  
25.         try {  
26.             tag = new CWSTagger(path + "models/seg.m");  
27.         } catch (LoadModelException e) {  
28.             e.printStackTrace();  
29.         }  
30.   
31.     }  
32.   
33.     public String processSentence(String context) {  
34.         String s = tag.tag(context);  
35.         return s;  
36.     }  
37.   
38.     public String processSentence(String sentence, boolean english) {  
39.         if (english) {  
40.             tag.setEnFilter(true);  
41.         }  
42.         return tag.tag(sentence);  
43.     }  
44.   
45.     public String processFile(String filename) {  
46.         String result = tag.tagFile(filename);  
47.   
48.         return result;  
49.     }  
50.   
51.     /** 
52.      * 设置分词词典 
53.      */  
54.     public boolean setDictionary() {  
55.         String dictPath = this.getClass().getClassLoader().getResource("models/dict.txt").getPath();  
56.   
57.         Dictionary dict = null;  
58.         try {  
59.             dict = new Dictionary(dictPath);  
60.         } catch (IOException e) {  
61.             return false;  
62.         }  
63.         tag.setDictionary(dict);  
64.         return true;  
65.     }  
66.   
67.     /** 
68.      * 去除停用词 
69.      */  
70.     public List<String> flitStopWords(String[] words) {  
71.         try {  
72.             List<String> baseWords = stopWords.phraseDel(words);  
73.             return baseWords;  
74.         } catch (Exception e) {  
75.             e.printStackTrace();  
76.             return null;  
77.         }  
78.     }  
79. }  

并将模型文件（可以从FNLP的主页下载）拷入到resources目录下：

pom.xml里面添加FNLP的依赖：

 

[html]  view plain  copy

 

1. <dependency>  
2.     <groupId>org.fnlp</groupId>  
3.     <artifactId>fnlp-core</artifactId>  
4.     <version>2.1-SNAPSHOT</version>  
5. </dependency>  
6.   
7. <dependency>  
8.     <groupId>junit</groupId>  
9.     <artifactId>junit</artifactId>  
10.     <version>4.11</version>  
11. </dependency>  

       等Maven把工程编译好，将之前下载的数据文件放到resources目录下，新建一个主方法或者单元测试来执行分词：

 

[java]  view plain  copy

 

1. public void processFile() throws Exception{  
2.        String filePath = this.getClass().getClassLoader().getResource("text/tlbb.txt").getPath();  
3.        BufferedReader in = new BufferedReader(new FileReader(filePath));  
4.   
5.        File outfile = new File("/Users/KrseLee/dataset/tlbb_t.txt");  
6.        if (outfile.exists()) {  
7.            outfile.delete();  
8.        }  
9.        FileOutputStream fop = new FileOutputStream(outfile);  
10.   
11.        // 构建FileOutputStream对象,文件不存在会自动新建  
12.        String line = in.readLine();  
13.        OutputStreamWriter writer = new OutputStreamWriter(fop, "UTF-8");  
14.        while(line!=null) {  
15.            line = tokenizer.processSentence(line);  
16.            writer.append(line);  
17.            line = in.readLine();  
18.        }  
19.        in.close();  
20.        writer.close(); // 关闭写入流,同时会把缓冲区内容写入文件  
21.        fop.close(); // 关闭输出流,释放系统资源  
22.    }  

三．     构建Word2Vector模型并训练

引入DeepLearning4J的依赖包，新建Java Class ZhWord2Vector，代码如下：

[java]  view plain  copy

 

1. package edu.zju.cst.krselee.example.word2vector;  
2.   
3. import org.canova.api.util.ClassPathResource;  
4. import org.deeplearning4j.models.embeddings.loader.WordVectorSerializer;  
5. import org.deeplearning4j.models.word2vec.Word2Vec;  
6. import org.deeplearning4j.text.sentenceiterator.BasicLineIterator;  
7. import org.deeplearning4j.text.sentenceiterator.SentenceIterator;  
8. import org.slf4j.Logger;  
9. import org.slf4j.LoggerFactory;  
10.   
11. import java.util.Collection;  
12.   
13. /** 
14.  * Created by KrseLee on 16/7/20. 
15.  */  
16. public class ZhWord2Vector {  
17.     private static Logger log = LoggerFactory.getLogger(ZhWord2Vector.class);  
18.   
19.     public static void main(String[] args) throws Exception {  
20.   
21.         String filePath = new ClassPathResource("text/tlbb_t.txt").getFile().getAbsolutePath();  
22.   
23.         log.info("Load & Vectorize Sentences....");  
24.         // Strip white space before and after for each line  
25.         SentenceIterator iter = new BasicLineIterator(filePath);  
26.         // Split on white spaces in the line to get words  
27.   
28.         log.info("Building model....");  
29.         Word2Vec vec = new Word2Vec.Builder()  
30.             .minWordFrequency(5)  
31.             .iterations(1)  
32.             .layerSize(100)  
33.             .seed(42)  
34.             .windowSize(5)  
35.             .iterate(iter)  
36.             .build();  
37.   
38.         log.info("Fitting Word2Vec model....");  
39.         vec.fit();  
40.   
41.         log.info("Writing word vectors to text file....");  
42.   
43.         // Write word vectors  
44.         WordVectorSerializer.writeWordVectors(vec, "tlbb_vectors.txt");  
45.         WordVectorSerializer.writeFullModel(vec,"tlbb_model.txt");  
46.         String[] names = {"萧峰","乔峰","段誉","虚竹","王语嫣","阿紫","阿朱","木婉清"};  
47.         log.info("Closest Words:");  
48.   
49.         for(String name:names) {  
50.             System.out.println(name+">>>>>>");  
51.             Collection<String> lst = vec.wordsNearest(name, 10);  
52.             System.out.println(lst);  
53.         }  
54.     }  
55. }  

       将上一步得到的输出文件拷贝到resources目录下。

四．     测试并输出

更改你想要查看的单词，运行程序，等待约4分钟，得到输出。不同的电脑因性能原因需要的时间不一致，深度网络的训练本身也是一件费时费力的事情。

[plain]  view plain  copy

 

1. 萧峰>>>>>>  
2. [段誉, 叫骂, 一队队, 军官, 将, 狗子, 长矛, 指挥, 说, 传令]  
3. 乔峰>>>>>>  
4. [南, 大侠, 北, 大英雄, 四海, 厮, 听说, 奸谋, 威震, 全舵]  
5. 段誉>>>>>>  
6. [萧峰, 虚竹, 向, 玄渡, 等, 叫骂, 去, 辽兵, 一边, 城门]  
7. 虚竹>>>>>>  
8. [段誉, 向西, 萧峰, 向, 城门, 叫骂, 等, 辽兵, 玄鸣, 去]  
9. 王语嫣>>>>>>  
10. [巴天石, 钟灵, 木婉清, 草海, 朱丹臣, 老婆婆, 瘴气, 贾老者, 嗒嗒嗒, 途中]  
11. 阿紫>>>>>>  
12. [道, 穆贵妃, 抿嘴笑, 姊夫, 来, 叫, 又, 小嘴, 大人, 什么]  
13. 阿朱>>>>>>  
14. [深情, 想起, 换上, 父母, 想念, 恩情, 胡作非为, 迫, 情意, 永远]  
15. 木婉清>>>>>>  
16. [钟灵, 朱丹臣, 巴天石, 秦红棉, 范骅, 一行人, 王语嫣, 墙外, 阮星竹, 巴天]