基于论文[From Word Embedding to Document Distance]的实验

代码参考：

https://github.com/mkusner/wmd

 

一，准备环境

安装好anaconda笔者这里用的是python3 64bit的版本

需要用到这个库，gensim

conda install -c conda-forge gensim

从参考代码的仓库上下载WMD代码：

git clone git@github.com:mkusner/wmd.git

接着需要下载google的一个公开的wordvector数据集：

https://drive.google.com/file/d/0B7XkCwpI5KDYNlNUTTlSS21pQmM/edit

下载好是一个1.5GB的tz格式的压缩包，解压以后3GB+的一个文件，把这个文件放到前面git上下载来的WMD目录下。

二，生成文档的向量

这里采用的是一个all_twitter_by_line的数据集，首先执行以下命令会生成twitter的文档向量，还包括所有词的word2vec，文档的BOW向量。

python get_word_vectors.py all_twitter_by_line.txt twitter_vec.pk twitter_vec.mat 

注意最后一个参数会生成matlab用的数据格式，默认要传这个参数不然代码会报错，或者自己修改代码。

 

三，要测试WMD的效果会用到EMD这个算法

EMD有一个现成的包不过需要编译后才能使用。

这里讲一下编译方法（windows上，Linux下可以用g++， MacOSX下用clang）

1. 首先需要安装Mingw-x64编译环境或者vscode也可以

2. 接着安装SWIG工具包，他属于一个warpper中间件，能把用C，或者C++写的底层代码提供给其他高级语言使用。

在windows上有已经编译好的package：

http://prdownloads.sourceforge.net/swig/swigwin-4.0.1.zip

在环境变量PATH中添加swig解压后的目录：

 

3. 编译emd库（这里有很多坑，其实最直观的方法是用Visual Studio编译就完事了）

但是本人头铁，实在不想装Visual Studio这个庞然大物。

这里讲一下步骤。假设本人的anaconda的安装目录是

D:\ProgramData\Anaconda3

那么首先需要python37.dll 如果你的版本不是python37可以替换成自己的版本。这个步骤非常重要，否则用Mingw会编译一堆错误！

把这个Python37.dll 拷贝到你要编译emd的目录下，用Mingw-w64的命令行启动(这个在MIngw-w64下有一个mingw-w64.bat文件。)

执行一下命令：

gendef python37.dll

这里解释一下，首先windows上的Python发布版会提供一个叫Python37.lib的文件，这个lib默认是给微软的Visual Studio用的，如果你用GNU C Compiler来编译就会有一堆导入错误。原因是两者的导入段不同。所以这里需要生成GCC标准的导入段也就是libpython32.a (在Linux下和Unix下的可以忽略这个步骤,python发行版已经提供给你了)

接着根据 上面生成的python37.def文件使用dlltool生成一个叫libpython37.a的文件

dlltool --dllname python37.dll --def python37.def --output-lib libpython37.a

然后注意要把这个libpython37.a拷贝到python37.lib同一个目录下

笔者的电脑上是：

D:\ProgramData\Anaconda3\libs

有了这个准备工作就可以进行正常编译了！

编译代码如下：

# 编译emd.o文件
gcc -o emd.o -emd.c -fPIC -I D:/ProgramData/Anaconda3/include

# 使用SWIG生成接口
swig -python emd.i

# 编译emd_wrap.o文件
gcc -o emd.o -emd.c -fPIC -I D:/ProgramData/Anaconda3/include

# 链接成python库pyd文件
gcc -shared -L D:\ProgramData\Anaconda3\libs\ -o _emd.pyd emd.o emd_wrap.o -lpython37

最后把emd.py 和_emd.pyd两个文件拷贝到你项目的目录下就可以正常使用了。

测试一下emd是否编译正常：

可以正常使用。

最后计算3115篇文档的两两之间WMD距离，

耗时20分钟左右