训练语料
word2vec的算法是公开的，word2vec模型的质量完全取决于训练语料的质量。目前免费开放的预料不多，中文语料更是凤毛麟角。
这里推荐使用搜狗实验室的中文语料，对应的网址为：
http://www.sogou.com/labs/resource/cs.php
通常使用”搜狐新闻数据”即可，该数据来自搜狐新闻2012年6月—7月期间国内，国际，体育，社会，娱乐等18个频道的新闻数据，提供URL和正文信息。
数据格式
<doc> <url>页面URL</url> <docno>页面ID</docno> <contenttitle>页面标题</contenttitle> <content>页面内容</content> </doc>
注意：content字段去除了HTML标签，保存的是新闻正文文本
数据文件
搜狐新闻数据区根据文件格式和数据规模细分为以下几种：
-
迷你版(样例数据, 110KB)：tar.gz格式，zip格式
-
完整版(648MB)：tar.gz格式，zip格式
-
历史版本：2008版(6KB)：完整版(同时提供硬盘拷贝,65GB)：tar.gz格式
数据预处理
提取中文内容
原始数据中包含完整的html文件，所以需要提取其中的中文内容，通常提取其中<content>标签包含的内容即可。
tar -zxvf news_sohusite_xml.full.tar.gz cat news_sohusite_xml.dat | iconv -f gb18030 -t utf-8 | grep "<content>" > news_sohusite.txt sed -i "" 's/<content>//g' news_sohusite.txt sed -i "" 's/<\/content>//g' news_sohusite.txt
其中iconv命令的格式为：
iconv -f encoding [-t encoding] [inputfile]...
参数含义为：
- -f encoding :把字符从encoding编码开始转换。
- -t encoding :把字符转换到encoding编码。
- -l :列出已知的编码字符集合
- -o file :指定输出文件
- -c :忽略输出的非法字符
- -s :禁止警告信息，但不是错误信息
- –verbose :显示进度信息
- -f和-t所能指定的合法字符在-l选项的命令里面都列出来了
中文切词
与处理英文不同，中文没有切词，需要使用jieba进行切词处理。
python -m jieba -d ' ' news_sohusite.txt > news_sohusite_cutword.txt
训练word2vec
完成预处理后，即可以利用gensim库进行训练。
def train_word2vec(filename):
#模型文件不存在才处理
if not os.path.exists(word2vec_file):
sentences = LineSentence(filename)
#sg=0 使用cbow训练, sg=1对低频词较为敏感
model = Word2Vec(sentences,
size=n_dim, window=5, min_count=2, sg=1, workers=2)
model.save(word2vec_file)
Word2Vec函数常见的几个参数含义如下：
- sentences表示需要处理的语料
- size表示word2vec的维数，一般50-300
- window表示处理word时的窗口长度
- min_count表示处理分析的word出现的最小次数
- sg为1表示使用skip-gram算法，为0为cbow
- workers表示计算使用的线程数
- iter表示迭代计算的次数
使用word2vec处理中文
把一个中文句子使用词向量表示的方法。对于类似短信、微博、标题这些长度较短的文字，可以使用各个word的word2vec相加取平均来表示。对训练数据集创建词向量，接着进行比例缩放（scale)。
def buildWordVector(imdb_w2v,text, size):
vec = np.zeros(size).reshape((1, size))
count = 0.
#print text
for word in text.split():
#print word
try:
vec += imdb_w2v[word].reshape((1, size))
count += 1.
except KeyError:
print word
continue
if count != 0:
vec /= count
return vec
当需要把中文数据集X转换成word2vec，可以使用如下方式。
#加载训练好的词向量模型 model = Word2Vec.load(word2vec_file) x_vecs = np.concatenate([buildWordVector(model,z, n_dim) for z in x]) x_vecs = scale(x_vecs)
测试效果
下面我们测试生成的word2vec模型的质量。
寻找近义词
寻找近义词是word2vec的一个应用场景。
百度的近义词
print pd.Series(model.most_similar(u'百度')) 0 (网易, 0.844283640385) 1 (搜索引擎, 0.822018146515) 2 (腾讯, 0.774820387363) 3 (搜狗, 0.76777946949) 4 (新浪, 0.760137319565) 5 (奇虎, 0.745484173298) 6 (文库, 0.725166857243) 7 (手机软件, 0.717750906944) 8 (优酷, 0.70574760437) 9 (客户端, 0.70448333025)
微信的近义词
print pd.Series(model.most_similar(u'微信')) 0 (摇一摇, 0.768034994602) 1 (陌陌, 0.763847649097) 2 (网上聊天, 0.751431167126) 3 (聊天工具, 0.731707036495) 4 (盗号, 0.722806692123) 5 (飞聊, 0.715048789978) 6 (手机, 0.706719994545) 7 (发短信, 0.704942345619) 8 (聊天, 0.691777765751) 9 (账号密码, 0.679741084576)
单词运算
word2vec的一个神奇之处就是把文字转换成了数字，数字之间的加减运算，同样适用于word2vec。
足球+明星
print pd.Series(model.most_similar(positive=[u'足球'+u'明星'])) 0 (巨星, 0.741350233555) 1 (光芒万丈, 0.727712750435) 2 (和亨利, 0.722848057747) 3 (球星, 0.722578346729) 4 (已贵, 0.71345859766) 5 (格米利, 0.694822609425) 6 (支斯篮, 0.690492749214) 7 (田坛, 0.689639627934) 8 (体坛, 0.689606904984) 9 (竞神锋, 0.684816122055)
球星-明星
print pd.Series(model.most_similar(positive=[u'球星'],negative=[u'明星'])) dtype: object 0 (国际米兰, 0.492849290371) 1 (中锋, 0.480526059866) 2 (球员, 0.479797780514) 3 (上赛季, 0.479528963566) 4 (主帅, 0.479275196791) 5 (球队, 0.477513790131) 6 (德里奇, 0.474446773529) 7 (热那亚, 0.472252100706) 8 (中场, 0.459134191275) 9 (巴萨, 0.45858669281)
比较单词的相似度
比较微信和陌陌
print model.wv.similarity(u'微信', u'陌陌') 0.763847656891
比较男人和坏人
print model.wv.similarity(u'男人', u'坏人') 0.617036796702
来源：freebuf.com 2018-04-04 10:03:19 by: 兜哥
© 版权声明
文章版权归作者所有，未经允许请勿转载。
THE END
喜欢就支持一下吧
请登录后发表评论
注册