word2vec实战：获取和预处理中文维基百科(Wikipedia)语料库，并训练成word2vec模型

前言

自然语言处理有很多方法，最近很流行的是谷歌开源项目word2vec，详见谷歌官网：官网链接。其主要理论由Tomas Mikolov大神团队的2篇论文组成：Efficient Estimation of Word Representations in Vector Space， Distributed Representations of Words and Phrases and their Compositionality。

传统的方法是将词汇作为离散的单一符号，这些符号编码毫无规则，无法提供词汇之间可能存在的关联关系，而词汇的向量表示将克服上述难题。

向量空间模型（VSM）将词汇表示在一个连续的向量空间中，语义近似的词被映射为相邻的数据点。VSM依赖于分布式假设思想，该思想的核心是：出现于相同的上下文情景中的词汇都有相似的语义。

基于VSM假设有2种研究方法：
1，基于计数的方法：计算某词汇极其临近词在一个大型语料库中共同出现的频率，然后将其映射到一个小而稠密的向量中。
2，预测方法：该方法试图直接从某词汇的临近词对其进行预测，此过程利用学习到的向量。

word2vec是一种可以进行高效率词嵌套学习的预测模型，该模型有2种具体的形式：
1，CBOW模型：根据上下文词汇“the cat sits on the”，来预测目标词“mat”。
2，skip-gram模型：通过目标词来预测源词汇。

本文不关注具体理论，而是详细介绍如何获取并预处理中文维基百科语料库，并训练成word2vec模型。

实验环境：Ubuntu14.04/Python2.7（Anaconda版）

正文

1，下载原始数据
数据下载地址：https://dumps.wikimedia.org/zhwiki/latest/zhwiki-latest-pages-articles.xml.bz2

下载的文件是一个大小为1.3G的压缩包，解压后是个5.8G左右的xml文件，内容是网页标签形式的。我们需要抽取出其中的有效信息。

2，使用Wikipedia Extractor抽取正文
Wikipedia Extractor是意大利人用Python写的一个维基百科抽取器，使用非常方便。下载之后直接使用这条命令即可完成抽取，运行时间很快。执行以下命令。

$ sudo apt-get install unzip python python-dev python-pip
$ git clone https://github.com/attardi/wikiextractor.git wikiextractor
$ cd wikiextractor
$ sudo python setup.py install
$ ./WikiExtractor.py -b 1024M -o extracted zhwiki-latest-pages-articles.xml.bz2

参数-b 1024M表示以1024M为单位切分文件，默认是1M。由于最后生成的正文文本约1060M，把参数设置的大一些可以保证最后的抽取结果全部存在一个文件里。这里我们设为1024M，可以分成一个1G的大文件和一个36M的小文件，后续的步骤可以先在小文件上实验，再应用到大文件上。

这里，我们得到了2个文本文件：wiki_00, wiki_01。大小分别为：1024M, 36.7M。

3，繁体转简体
维基百科的中文数据是繁简混杂的，里面包含大陆简体、台湾繁体、港澳繁体等多种不同的数据。有时候在一篇文章的不同段落间也会使用不同的繁简字。

为了处理方便起见，我们直接使用了开源项目opencc。参照安装说明的方法，安装完成之后，使用下面的命令进行繁简转换，整个过程也很快：

$ sudo apt-get install opencc
$ opencc -i wiki_00 -o zh_wiki_00 -c zht2zhs.ini
$ opencc -i wiki_01 -o zh_wiki_01 -c zht2zhs.ini

命令中的wiki_00/wiki_01这个文件是此前使用Wikipedia Extractor得到的。到了这里，我们已经完成了大部分繁简转换工作。

这里，我们得到了2个简体文件：zh_wiki_00，zh_wiki_01。大小分别为：1024M，36.7M。同上步结果大小不变。

4，符号处理
由于Wikipedia Extractor抽取正文时，会将有特殊标记的外文直接剔除。我们最后再将「」『』这些符号替换成引号，顺便删除空括号，就大功告成了！代码如下：

#!/usr/bin/python
# -*- coding: utf-8 -*-
import re
import sys
import codecs
def myfun(input_file):
    p1 = re.compile(ur'-\{.*?(zh-hans|zh-cn):([^;]*?)(;.*?)?\}-')
    p2 = re.compile(ur'[（\(][，；。？！\s]*[）\)]')
    p3 = re.compile(ur'[「『]')
    p4 = re.compile(ur'[」』]')
    outfile = codecs.open('std_' + input_file, 'w', 'utf-8')
    with codecs.open(input_file, 'r', 'utf-8') as myfile:
        for line in myfile:
            line = p1.sub(ur'\2', line)
            line = p2.sub(ur'', line)
            line = p3.sub(ur'“', line)
            line = p4.sub(ur'”', line)
            outfile.write(line)
    outfile.close()
if __name__ == '__main__':
    if len(sys.argv) != 2:
        print "Usage: python script.py inputfile"
        sys.exit()
    reload(sys)
    sys.setdefaultencoding('utf-8')
    input_file = sys.argv[1]
    myfun(input_file)

将上述代码保存到exec.py文件，并将该文件放到与数据文件相同的目录，执行命令：

$ python exec.py zh_wiki_00
$ python exec.py zh_wiki_01

这里，我们又得到2个格式化文件：std_zh_wiki_00，std_zh_wiki_01。大小分别为：1021M，36.6M。大小比之前的文件要小，因为修改删除了文件中的符号。

5，中文分词
中文分词工具有很多种， 这里我们使用python版本的结巴分词：https://github.com/fxsjy/jieba

安装很简单：$ pip install jieba

安装好后执行命令进行分词：

python -m jieba -d " " ./std_zh_wiki_00 > ./cut_std_zh_wiki_00
python -m jieba -d " " ./std_zh_wiki_01 > ./cut_std_zh_wiki_01

命令中的-d ” “选项，双引号中是一个空格，指的是以空格分割词汇。

这里，我们又得到2个分词文件：cut_std_zh_wiki_00，cut_std_zh_wiki_01。大小分别为：1.21G，44.6M。比之前的文件要大，因为文件中加入了很多空格符。

6，训练word2vec模型
训练模型我们使用python的gensim库提供的方法，gensim官网。

安装非常简单：$ pip install gensim

接下来，我们用1.21G的大文件进行训练，训练代码也很简单：

from gensim.models import word2vec
import logging

logging.basicConfig(format='%(asctime)s : %(levelname)s : %(message)s', level=logging.INFO)
sentences = word2vec.LineSentence(u'./cut_std_zh_wiki_00')
model = word2vec.Word2Vec(sentences,size=200,window=5,min_count=5,workers=4)
model.save('./word2vecModel/WikiCHModel')

训练的过程进度会打印在控制台。训练结束后我们就得到了一个word2vec模型。

7，调用并测试word2vec模型
调用模型也很简单，同样使用gensim库。

from gensim.models import word2vec

model = word2vec.Word2Vec.load('./word2vecModel/WikiCHModel')

print(model.wv.similarity('奥运会','金牌')) #两个词的相关性

print(model.wv.most_similar(['伦敦','中国'],['北京'])) # 北京is to中国 as 伦敦is to？

参考链接

1，https://flystarhe.github.io/2016/08/31/wiki-corpus-zh/
2，中英文维基百科语料上的word2vec实验