【笔记】使用Gensim模块训练词向量

最新推荐文章于 2021-09-12 18:20:25 发布

原创

最新推荐文章于 2021-09-12 18:20:25 发布 · 559 阅读

0 ·

CC 4.0 BY-SA版权

这篇笔记详细介绍了如何使用Gensim模块训练词向量，包括语料获取、预处理（如转换为全简体）、分词以及训练过程中的参数调整。重点讲解了Skip-Gram和CBOW模型的区别，并提供了训练词向量的代码示例。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

【笔记】使用Gensim模块训练词向量

文章目录

【笔记】使用Gensim模块训练词向量
- 1. 语料获取
- 2. 训练word2vec

1. 语料获取

参考下载维基百科中文语料作为预训练数据集；

下载地址： zhWiki

在这里插入图片描述

选择一个时间段进行下载，点进去，我们选择正文的语料，比如 zhwiki-20210120-pages-articles-multistream1.xml-p1p187712.bz2 ；

下载完得到一个压缩包，WikiPedia Extractor 工具可以帮助处理这个压缩包，提取正文语料；使用方法如下：当然你也可以自己写脚本处理；

下载WikiExtractor.py脚本，和下载的语料放在同一级目录下，运行下面脚本命令；

python WikiExtractor.py -b 500M -o wik_00 zhwiki-20180320-pages-articles1.xml-p1p231819.bz2

#上面命令的的意思就是把从"zhwiki-20180320-pages-articles1.xml-p1p231819.bz2"压缩包中提取出来的正文文本定向输出到"wiki_00"文件中。

获取的语料为文章的正文; 一行为一个词条；可以发现这个词条中文繁体和简体混杂，不是正常的书写习惯，我们需要把它转换成全简体；使用opencc可以完成转换，我写了一个转换脚本，供参考；

# coding:utf-8
"""
@author: Finks
@time: 2021/5/7 11:22

"""
import opencc
import pyhanlp
import os



def tokenize(s):
    """分词， HanLP作为分词工具"""
    return [i.word for i in pyhanlp.HanLP.segment(s)]

cc = opencc.OpenCC('t2s')



path = r'D:\Art\kg-2019-master (1)\kg-2019-master\wik_00\AA\wiki_00'
fw_path = os.path.join(os.path.dirname(path) ,'wiki.txt')
print(fw_path)
fw = open(fw_path, 'w+', encoding='utf8')


with open(path, 'r', encoding='utf8') as f:
    for line in f:
        word_list = tokenize(line.strip()<