【Python3】基于Gensim的维基百科语料库中文词向量训练

环境： 

Win10 +Anaconda(自带Python3.6) 

IDE: 

Pycharm (其Interperter使用的是Anaconda自带的Python3.6)

 

安装Gensim库:

在Anaconda Prompt中输入:

pip install gensim 

等待其显示安装完毕即可

 

1.首先获取维基百科语料库资源

https://dumps.wikimedia.org/zhwiki/20171220/

我是在其中下载的当时最新的压缩文件

注:文件名在网站中的结尾为xml.bz2

2.将wiki的xml文件处理成正常的txt文件

需要用特殊的脚本处理而不能直接压缩(与维基百科保存格式有关)

github中有更为全面的WikiExtractor

有兴趣可以去研究一下

此处直接使用普通压缩文件to txt处理脚本即可

代码如下：

import logging
import os.path
import sys
from gensim.corpora import WikiCorpus
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 arguments
    if len(sys.argv) < 3:
        print(globals()['__doc__'] % locals())
        sys.exit(1)
    inp, outp = sys.argv[1:3]
    space = b' '
    i = 0
    output = open(outp, 'w',encoding='utf-8')
    wiki = WikiCorpus(inp, lemmatize=False, dictionary={})
    for text in wiki.get_texts():
        s = space.join(text)
        s = s.decode('utf8') + "\n"
        output.write(s)
        i = i + 1
        if (i % 10000 == 0):
            logger.info("Saved " + str(i) + " articles")
    output.close()
    logger.info("Finished Saved " + str(i) + " articles")

使用process.py脚本(即以上代码) 将维基百科的下载文件转化成text文件

在命令行中输入

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

 

就可以看到正在解压的过程了，过程还是需要不少时间的

部分生成结果：

需要注意

文件可能过大而无法打开

3.使用opencc将繁体txt转换为简体txt

下载地址：

https://bintray.com/package/files/byvoid/opencc/OpenCC

无需安装，解压即可使用

将我们前面生成的wiki.zh.text拖动至opencc-1.0.1-win64文件夹中，打开cmd并在当前文件夹中输入如下指令:

opencc -i wiki.zh.text -o wiki.zh.jian.text -c t2s.json

这一步骤非常快，我只用了1分钟不到

然后可以看到目录中生成了wiki.zh.jian.text文件

打开后可以查看其中内容

可以看到已经成功全部转化为了简体字

但是做词向量训练之前仍缺少最后一步，就是分词

4.分词

英文中空格就已经将其句子分词完毕

而中文就相对复杂，但我们可以借助jieba库来分词

在Testjieba.py中分词

打开wiki.zh.jian.text，从该文件中一行行读取简体字并进行分词，分词结果放在zh.jian.wiki.seg.txt中

代码如下:

import jieba
import jieba.analyse
import jieba.posseg as pseg
import codecs, sys
def cut_words(sentence):
    #print sentence
    return " ".join(jieba.cut(sentence)).encode('utf-8')


f = codecs.open('wiki.zh.jian.text', 'r', encoding="utf8")
target = codecs.open("zh.jian.wiki.seg.txt", 'w', encoding="utf8")
print('open files')
line_num = 1
line = f.readline()
while line:
    print('---- processing ', line_num, ' article----------------')
    line_seg = " ".join(jieba.cut(line))
    target.writelines(line_seg)
    line_num = line_num + 1
    line = f.readline()
f.close()
target.close()
exit()
while line:
    curr = []
    for oneline in line:
        #print(oneline)
        curr.append(oneline)
    after_cut = map(cut_words, curr)
    target.writelines(after_cut)
    print('saved', line_num, 'articles')
    exit()
    line = f.readline1()
f.close()
target.close()

 

每一行读入后进行每一行的分词

直接运行该py文件即可(注意将 在opencc文件夹中生成的wiki.zh.jian.text放入Testjieba.py所在文件夹)

查看分词结果如下：

扫描二维码关注公众号，回复： 9435069 查看本文章

5.进行词向量训练

创建词向量结果模型代码如下：

from __future__ import print_function

import logging
import os
import sys
import multiprocessing

from gensim.models import Word2Vec
from gensim.models.word2vec import LineSentence

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 arguments
    if len(sys.argv) < 4:
        print("Useing: python train_word2vec_model.py input_text "
              "output_gensim_model output_word_vector")
        sys.exit(1)
    inp, outp1, outp2 = sys.argv[1:4]

    model = Word2Vec(LineSentence(inp), size=200, window=5, min_count=5,
                     workers=multiprocessing.cpu_count())

    model.save(outp1)
    model.wv.save_word2vec_format(outp2, binary=False)

其中

model = Word2Vec(LineSentence(inp) , size= 200 , window= 5 , min_count= 5 ,

    workers=multiprocessing.cpu_count())

代码是训练词向量的关键，定义了滑动窗口大小与最小有效词数量

并在下方保存word2vec格式的模型

在命令行中输入

python word2vec_model.py zh.jian.wiki.seg.txt wiki.zh.model wiki.zh.text.vector

源文件为zh.jian.wiki.seg.txt

目标文件为wiki.zh.model

训练时间大致为25分钟（1080Ti训练结果下）

6.测试训练模块成果

代码如下

from gensim.models import Word2Vec

en_wiki_word2vec_model = Word2Vec.load('wiki.zh.model')

testwords = ['孩子', '数学', '学术', '白痴', '篮球']
for i in range(5):
    res = en_wiki_word2vec_model.most_similar(testwords[i])
    print(testwords[i])
    print(res)

首先导入gensim.models中的Word2Vec模块

然后使用Word2Vec模块中方法加载模块，之后便可以使用其中的most_similar方法进行词向量寻找并打印结果

测试结果展示:

总结:

可以看到还是大部分make sense的

但是也有一些词不太相近或者更相近的答案而并非首选。

很大一部分原因是因为语料库的不足，因为语料库中资料仅有1.3G，对于中文训练来说是大大不足的。