NLP之word2vec：利用 Wikipedia Text(中文维基百科)语料+Word2vec工具来训练简体中文词向量

NLP之word2vec：利用 Wikipedia Text(中文维基百科)语料+Word2vec工具来训练简体中文词向量

 

 

目录

输出结果

设计思路

1、Wikipedia Text语料来源

2、维基百科的文档解析

3、中文的简繁转换

4、将非utf-8格式字符转换为utf-8格式

5、调用word2vec

实现代码

---

 

 

 

 

 

输出结果

后期更新……

 

最后的model
word2vec_wiki.model.rar

 

设计思路

后期更新……

 

1、Wikipedia Text语料来源

Wikipedia Text语料来源及其下载：zhwiki dump progress on 20190120

       其中zhwiki-latest-pages-articles.xml.bz2文件包含了标题、正文部分。压缩包大概是1.3G，解压后大概是5.7G。相比英文wiki中文的还是小了不少。

2、维基百科的文档解析

        下载下来的wiki是XML格式，需要提取其正文内容。不过维基百科的文档解析有不少的成熟工具（例如gensim，wikipedia extractor等。其中Wikipedia Extractor 是一个简单方便的Python脚本。

T1、Wikipedia Extractor工具

Wikipedia extractor的网址： http://medialab.di.unipi.it/wiki/Wikipedia_Extractor
Wikipedia extractor的使用：下载好WikiExtractor.py后直接使用下面的命令运行即可，
                   其中，-cb 1200M表示以 1200M 为单位切分文件，-o 后面接出入文件，最后是输入文件。

WikiExtractor.py -cb 1200M -o extracted zhwiki-latest-pages-articles.xml.bz2

T2、python代码实现

    将这个XML压缩文件转换为txt文件

python process_wiki.py zhwiki-latest-pages-articles.xml.bz2 wiki.zh.text 

 

3、中文的简繁转换

     中文wiki内容中大多数是繁体，这需要进行简繁转换。可以采用厦门大学NLP实验室开发的简繁转换工具或者opencc代码实现。

T1、厦门大学NLP实验室开发的简繁转换工具

转换工具下载网址：http://jf.cloudtranslation.cc/
转换工具的使用：下载单机版即可，在windos命令行窗口下使用下面命令行运行
                   其中file1.txt为繁体原文文件，file2.txt为输出转换结果的目标文件名，lm_s2t.txt为语言模型文件。

　　jf -fj file1.txt file2.txt -lm lm_s2t.txt

T2、opencc代码实现

opencc -i wiki.zh.text -o wiki.zh.text.jian -c zht2zhs.ini, 将繁体字转换为简体字。

 

4、将非utf-8格式字符转换为utf-8格式

iconv -c -t UTF-8 < wiki.zh.text.jian.seg > wiki.zh.text.jian.seg.utf-8

 

5、调用word2vec

python train_word2vec_model.py wiki.zh.text.jian.seg.utf-8 wiki.zh.text.model wiki.zh.text.vector

 

实现代码

正在更新……

对下边文件代码的说明

#We create word2vec model use wiki Text like this https://dumps.wikimedia.org/zhwiki/20161001/zhwiki-20161001-pages-articles-multistream.xml.bz2##parameter: =================================feature_size = 500content_window = 5freq_min_count = 3# threads_num = 4negative = 3   #best采样使用hierarchical softmax方法(负采样，对常见词有利)，不使用negative sampling方法(对罕见词有利)。iter = 20##process.py deal with wiki*.xml##word2vec_wiki.py : create model and load model

 

1、process.py文件

#process.py文件 import logging import os.path import sys from gensim.corpora import WikiCorpus#run python process_wiki.py ../data/zhwiki-latest-pages-articles.xml.bz2 wiki.zh.text if __name__ == '__main__':program = os.path.basename(sys.argv[0])logger = logging.getLogger(program)logging.basicConfig(format='%(asctime)s: %(levelname)s: %(message)s')logging.root.setLevel(level=logging.INFO)logger.info("running %s" % ' '.join(sys.argv))# check and process input argumentsif len(sys.argv) < 3:print(('globals()[__doc__])：', globals()['__doc__']) )print('locals：', locals())print(globals()['__doc__'] % locals()) #最初代码 print globals()['__doc__'] % locals()sys.exit(1)inp, outp = sys.argv[1:3]space = " "i = 0output = open(outp, 'w')wiki = WikiCorpus(inp, lemmatize=False, dictionary={})for text in wiki.get_texts():output.write(space.join(text) + "\n")i = i + 1if (i % 10000 == 0):logger.info("Saved " + str(i) + " articles")output.close()logger.info("Finished Saved " + str(i) + " articles")

2、word2vec_wiki.py文件

#word2vec_wiki.py文件# -*- coding:utf-8 -*- from __future__ import print_function import numpy as np import os import sys import jieba import time import jieba.posseg as pseg import codecs import multiprocessing import json # from gensim.models import Word2Vec,Phrases from gensim import models,corpora import logging # auto_brand = codecs.open("Automotive_Brand.txt", encoding='utf-8').read()sys.path.append("../../") sys.path.append("../../langconv/") sys.path.append("../../parser/") # import xmlparser # from xmlparser import * # from langconv import *# logger = logging.getLogger(program) logging.basicConfig(format='%(asctime)s: %(levelname)s: %(message)s') logging.root.setLevel(level=logging.INFO) # logger.info("running %s" % ' '.join(sys.argv))def json_dict_from_file(json_file,fieldnames=None,isdelwords=True):"""load json file and generate a new object instance whose __name__ filedwill be 'inst':param json_file:"""obj_s = []with open(json_file) as f:for line in f:object_dict = json.loads(line)if fieldnames==None:obj_s.append(object_dict)else:# for fieldname in fieldname:if set(fieldnames).issubset(set(object_dict.keys())):one = []for fieldname in fieldnames:if isdelwords and fieldname == 'content':one.append(delNOTNeedWords(object_dict[fieldname])[1])else:one.append(object_dict[fieldname])obj_s.append(one)return obj_sdef delNOTNeedWords(content,customstopwords=None):# words = jieba.lcut(content)if customstopwords == None:customstopwords = "stopwords.txt"import osif os.path.exists(customstopwords):stop_words = codecs.open(customstopwords, encoding='UTF-8').read().split(u'\n')customstopwords = stop_wordsresult=''return_words = []# for w in words:# if w not in stopwords:# result += w.encode('utf-8') # +"/"+str(w.flag)+" " #去停用词words = pseg.lcut(content)for word, flag in words:# print word.encode('utf-8')tempword = word.encode('utf-8').strip(' ')if (word not in customstopwords and len(tempword)>0 and flag in [u'n',u'nr',u'ns',u'nt',u'nz',u'ng',u't',u'tg',u'f',u'v',u'vd',u'vn',u'vf',u'vx',u'vi',u'vl',u'vg', u'a',u'an',u'ag',u'al',u'm',u'mq',u'o',u'x']):# and flag[0] in [u'n', u'f', u'a', u'z']):# ["/x","/zg","/uj","/ul","/e","/d","/uz","/y"]): #去停用词和其他词性，比如非名词动词等result += tempword # +"/"+str(w.flag)+" " #去停用词return_words.append(tempword)return result,return_wordsdef get_save_wikitext(wiki_filename,text_filename):output = open(text_filename, 'w')wiki = corpora.WikiCorpus(text_filename, lemmatize=False, dictionary={})for text in wiki.get_texts():# text = delNOTNeedWords(text,"../../stopwords.txt")[1]output.write(" ".join(text) + "\n")i = i + 1if (i % 10000 == 0):logging.info("Saved " + str(i) + " articles")output.close()def load_save_word2vec_model(line_words, model_filename):# 模型参数feature_size = 500content_window = 5freq_min_count = 3# threads_num = 4negative = 3 #best采样使用hierarchical softmax方法(负采样，对常见词有利)，不使用negative sampling方法(对罕见词有利)。iter = 20print("word2vec...")tic = time.time()if os.path.isfile(model_filename):model = models.Word2Vec.load(model_filename)print(model.vocab)print("Loaded word2vec model")else:bigram_transformer = models.Phrases(line_words)model = models.Word2Vec(bigram_transformer[line_words], size=feature_size, window=content_window, iter=iter, min_count=freq_min_count,negative=negative, workers=multiprocessing.cpu_count())toc = time.time()print("Word2vec completed! Elapsed time is %s." % (toc-tic))model.save(model_filename)# model.save_word2vec_format(save_model2, binary=False)print("Word2vec Saved!")return modelif __name__ == '__main__':limit = -1 #该属性决定取wiki文件text tag前多少条，-1为所有wiki_filename = '/home/wac/data/zhwiki-20160203-pages-articles-multistream.xml'wiki_text = './wiki_text.txt'wikimodel_filename = './word2vec_wiki.model's_list = []# if you want get wiki text ,uncomment lines# get_save_wikitext(wiki_filename,wiki_text)# for i,text in enumerate(open(wiki_text, 'r')):# s_list.append(delNOTNeedWords(text,"../../stopwords.txt")[1])# print(i)## if i==limit: #取前limit条,-1为所有# break##计算模型model = load_save_word2vec_model(s_list, wikimodel_filename)#计算相似单词，命令行输入while 1:print("请输入想测试的单词： ", end='\b')t_word = sys.stdin.readline()if "quit" in t_word:breaktry:results = model.most_similar(t_word.decode('utf-8').strip('\n').strip('\r').strip(' ').split(' '), topn=30)except:continuefor t_w, t_sim in results:print(t_w, " ", t_sim)

 

 

 

 

 

参考文章(贴上源址表示感谢)
使用维基百科训练简体中文词向量
中文Wiki语料获取
Wiki语料处理
中文维基语料训练获取
Windows3.5下对维基百科语料用word2vec进行训练寻找同义词相似度

 

 

总结

以上是生活随笔为你收集整理的NLP之word2vec：利用 Wikipedia Text(中文维基百科)语料+Word2vec工具来训练简体中文词向量的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。