使用维基百科英文语料训练word2vec.model

1. 英文语料的获取
   该实验中所使用的语料
   使用全量维基百科语料集的一个子集，压缩包大小大约在170M，可通过链接下载。

2. 文本数据的提取
   处理包括两个阶段，首先将xml的wiki数据转换为text格式，可以通过下面的脚本进行（源自：中英文维基百科语料上的word2vec实验）：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

from __future__ import print_function
import six
from gensim.corpora import WikiCorpus

if __name__ == '__main__':
    inp = "../Data/enwiki-latest-pages-articles1.xml-p10p30302.bz2"
    outp = "../Data/out_wiki.en.txt"
    space = " "
    i = 0

    output = open(outp, 'w', encoding="utf-8")
    wiki = WikiCorpus(inp, lemmatize=False, dictionary={})
    for text in wiki.get_texts():
        if(i % 1000 == 0):
            print(i)
        if six.PY3:
            output.write(' '.join(text) + '\n')
        else:
            output.write(space.join(text) + "\n")
        i = i + 1
    output.close()

3. 模型训练
   文本提取完成后，进行模型的训练：

# -*- coding: utf-8 -*-
from gensim.models import Word2Vec

if __name__ == '__main__':
    input1 = "../Data/out_wiki.en.txt"

    output1 = "../Data/word2vec_model/word2vec.model"
    output2 = "../Data/word2vec_model/vector.model"

    sentences = []
    with open(input1, 'r', encoding='utf8', errors='ignore') as f:
        for line in f:
            if " " in line:
                sentences.append(line.split(" "))

    model = Word2Vec(size=200, window=5, min_count=5, workers=4)  # 定义word2vec 对象

    model.build_vocab(sentences)  # 建立初始训练集的词典
    model.train(sentences, total_examples=model.corpus_count, epochs=model.iter)  # 模型训练

    model.save(output1)  # 模型保存
    model.wv.save_word2vec_format(output2, binary=False)  # 词向量保存

'''
# 模型的训练和保存，下面两行同样可以训练，但是无法追加训练
model = Word2Vec(sentences, size=100, window=5, min_count=1, workers=4)
model.save("word2vec.model")
'''

我们在实际使用的时候，可能会有某些词语不在词典中，我们无法通过模型获取得到对应的词向量，因此可能需要追加训练，追加训练的代码如下：

# 增量训练
sentences = [['first', 'sentence'], ['second', 'sentence']]  # 初始训练集
more_sentence = [["hello", "world"]]  # 追加训练集

model = Word2Vec(size=100, window=5, min_count=1, workers=4)  # 定义word2vec 对象
model.build_vocab(sentences)  # 建立初始训练集的词典
model.train(sentences, total_examples=model.corpus_count, epochs=model.iter)  # 模型训练
print(model.wv['first'])  # 输出first的vector
# print(model.wv['hello']) 此时hello不在字典中，报错

model.build_vocab(more_sentence, update=True)  # 追加训练集到词典中
model.train(more_sentence, total_examples=model.corpus_count, epochs=model.iter)  # 追加训练
print(model.wv['hello'])  # 此时hello在字典中，不报错

4. 模型使用
   常用的集中方法是：

   • 模型的加载：model = gensim.models.Word2Vec.load('../Data/word2vec_model/word2vec.model')
   • 获取词向量：可以使用 vector = model[word] 来获取
   • 获取与指定单词最相近的词语及其相似度分数：print(model.most_similar('car'))
   • 获取两个指定词语的相似程度：print(model.n_similarity(["mars"], ["earth"]))

其他更多的使用可以参考官方文档：gensim.Word2Vec