自然语言处理之使用gensim.Word2Vec训练词向量进行词义消歧

自然语言处理之使用gensim.Word2Vec训练词向量进行词义消歧

NLP中进行词义消歧的一个非常方便且简单的方法就是训练词向量，通过词向量计算余弦值，来推断某个词在句子中的含义。python中的gensim提供了一个非常方便的方法，一句话就可以训练词向量。不过嘛，正如我们想的那样，肯定是语料库越大越好，但越大呢就训练的时间越长，这也是没办法的事情。
我建议大家用GPU来训练，当当当，强烈推荐AIstudio，非常好用，免费GPU10小时，不用白不用。
哇塞，我刚刚发现百度AIstudio新推出了至尊GPU，赶紧来体验一下，这名字听起来太霸气了！

完整项目的aistudio链接：http://www.sogou.com/labs/resource/cs.php.
可以直接fork哦，有问题的话及时联系我哦。

训练词向量

首先我们来训练词向量，我使用的是搜狗实验室提供的新闻语料，链接如下：
http://www.sogou.com/labs/resource/list_yuliao.php.
我下载的是这个完整版的，648MB，对我来说应该够用了，不过搜狗实验室还提供了一些更大的语料，还有1GB以上的，大家有兴趣的话，可以尝试一下，语料越大，效果越好哦。
下载好语料之后，对语料进行解压

!cd data/data83697 && unzip -q news_sohusite_xml.full.zip

因为语料是新闻的格式，我们这里的话只需要文本部分也就是content部分，所以提取content部分，保存到content.txt文件里面。

cat data/data83697/news_sohusite_xml.dat | iconv -f gbk -t utf-8 -c | grep "<content>"  > corpus.txt

接下来，对文本进行一个分词处理，因为是中文，不像英文那样可以直接以空格隔开，所以使用jieba来进行分词。

import jieba
import numpy as np
filePath='corpus.txt'
fileSegWordDonePath ='corpusSegDone_1.txt'
# 打印中文列表
def PrintListChinese(list):
    for i in range(len(list)):
        print (list[i]) 
                
# 读取文件内容到列表
fileTrainRead = []
with open(filePath,'r') as fileTrainRaw:
    for line in fileTrainRaw:  # 按行读取文件
        fileTrainRead.append(line)

# jieba分词后保存在列表中
fileTrainSeg=[]
for i in range(len(fileTrainRead)):
    fileTrainSeg.append([' '.join(list(jieba.cut(fileTrainRead[i][9:-11],cut_all=False)))])
    if i % 100 == 0:
        print(i)
                
# 保存分词结果到文件中
with open(fileSegWordDonePath,'w',encoding='utf-8') as fW:
    for i in range(len(fileTrainSeg)):
        fW.write(fileTrainSeg[i][0])
        fW.write('\n')

分好词之后，我们就可以快乐训练啦，有种要炼丹的感觉。
我是在AIStudio里面做的实验，要先安装gensim库，一句话就好，告诉它，把gensim库给我安装上。

!pip install gensim

接下来，我们导入一下各种会用到的包，这一步我基本上都是导入许许多多。

import warnings
import logging
import os.path
import sys
import multiprocessing

import gensim
from gensim.models import Word2Vec
from gensim.models.word2vec import LineSentence
# 忽略警告
warnings.filterwarnings(action='ignore', category=UserWarning, module='gensim')

正式开始训练词向量

program = os.path.basename(sys.argv[0]) # 读取当前文件的文件名
logger = logging.getLogger(program)
logging.basicConfig(format='%(asctime)s: %(levelname)s: %(message)s',level=logging.INFO)
logger.info("running %s" % ' '.join(sys.argv))

# inp为输入语料, outp1为输出模型, outp2为vector格式的模型
inp = 'corpusSegDone_1.txt'
out_model = 'corpusSegDone_1.model'
out_vector = 'corpusSegDone_1.vector'
 
# 训练模型
model = Word2Vec(LineSentence(inp), vector_size=50, window=5, min_count=5,workers=multiprocessing.cpu_count())

# 保存模型
model.save(out_model)
# 保存词向量
model.wv.save_word2vec_format(out_vector, binary=False)

这一步真的还挺漫长的，GPU大概半个多小时左右，如果使用至尊GPU（我还没试过）应该可能会更快一点。

开始词义消歧

首先我们用“苹果”来做一个示范：
先引入刚刚训练好的模型

from gensim.models import Word2Vec
import numpy as np
model = Word2Vec.load('corpusSegDone_1.model')

来查看一下和苹果相似的词

model.wv.most_similar(u"苹果")

哦豁，有点意思哦，和“苹果”最相关的是“微软”、“谷歌”和“苹果公司”。可能有人要疑惑了，奇怪哦，为什么和苹果相似的不是“香蕉”、“葡萄”、“水蜜桃”之类的呢？没错，你发现了我们模型的问题！这个其实是因为我们的新闻语料库的原因，看来我们的新闻语料更偏向于科技方面。
后来，试了一下搜狗实验室的其他语料，惊讶的发现和苹果最相关的竟然是“月饼”还有“水果”！所以这个语料的选择真的非常重要！
接下来我们就来测验一下，看看“用苹果性能好，分辨率高”中的“苹果”究竟是手机还是水果还是其他物品。
我给苹果的含义分了三种语义，“水果”、“手机”、“电影”，它们的使用场景分别是“这个（）真好吃，营养价值高”、“（）手机配置不高，但整体性能优化的很好”、“（）上映了，听说非常精彩”。把这三句话jieba分词一下，来看一看我们的目标句子和这三句话哪个更接近。

content=['用','苹果','性能','好','分辨率','高']
des1=['这个','真','好吃','营养价值','高']
des2=['手机','配置','不高','但','整体','性能','优化','的','很','好']
des3=['上映','了','听说','非常','精彩']
def w2v_mean(essay,model):
    ls=np.zeros(50)
    for unit in essay:
        try:
            ls+=np.array(model.wv[unit])
        except:
            pass
    return ls/len(essay)

通过余弦值大小来判断，目标句子与三种语境的相似程度，余弦值越大，代表越接近。

content=w2v_mean(content,model)
d1=w2v_mean(des1,model)
d2=w2v_mean(des2,model)
d3=w2v_mean(des3,model)
print(np.dot(d1,content)/(np.linalg.norm(d1)*(np.linalg.norm(content))))
print(np.dot(d2,content)/(np.linalg.norm(d2)*(np.linalg.norm(content))))
print(np.dot(d3,content)/(np.linalg.norm(d3)*(np.linalg.norm(content))))

来看一看结果吧！
很明显看到，第二种语境下的余弦值大于另外两个，所以我们可以说我们目标句子中的“苹果”就是手机的意思。
是不是非常有趣！
那我们再来试一下“算账”，算账有两种意思，一种是计算账目。如，“你别打扰他，他正在算账呢。” 还有一种是吃亏或失败后与人较量.如，“好了，这回算你赢，下回我再跟你算账！”

首先来看看我们的语料中和“算账”相似的词，效果还可以。

model.wv.most_similar(u"算账")

我相看一看“我正要找你算账”中的“算账”应该是什么意思。（在自我推敲之后，自己也有点不确定，这句话中的“算账”该怎么解释）

content=['我','正要','找你','算账']
des1=['你别','打扰','他','他','正在','呢']
des2=['好','了','这回','算','你','赢','下回','我','再','跟','你']
def w2v_mean(essay,model):
    ls=np.zeros(50)
    for unit in essay:
        try:
            ls+=np.array(model.wv[unit])
        except:
            pass
    return ls/len(essay)
content=w2v_mean(content,model)
d1=w2v_mean(des1,model)
d2=w2v_mean(des2,model)
print(np.dot(d1,content)/(np.linalg.norm(d1)*(np.linalg.norm(content))))
print(np.dot(d2,content)/(np.linalg.norm(d2)*(np.linalg.norm(content))))

来看看结果，非常相近，不过第二种对应的余弦值更大一些，那这里的“算账”就解释为“吃亏或失败后与人较量”吧。
语义消歧就是这样啦，大家可以直接点击连接去运行一下代码，非常方便哦！
哦对啦，我开始把讲解更新B站和抖音啦，名字都叫猫猫头丁，欢迎大家来关注啊！！！
B站：https://space.bilibili.com/410893912.