利用Wikipedia中文语料训练词向量一共分为两个篇章,这篇文章属于第一部分,包括下载Wikipedia语料库,并将其从繁体转换为简体。
第一步 下载语料库
Wikipedia中文语料库链接: https://dumps.wikimedia.org/zhwiki/
打开网址后,就会看到如下的内容:
点进去之后,根据需要选择语料库,点击下载即可(此处可能需要V·P·N,保证下载速度快一些),如下图所示:
第二步 将下载好的bz2文件转换为txt(text)文件
利用Python脚本文件process.py 对bz2文件进行转换,保存如下代码至脚本process.py 即可。
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.basicCon