使用wiki百科和gensim训练中文词向量

下载wiki百科的数据

那么我是从https://dumps.wikimedia.org/zhwiki/20170520/上下载的1.4G的这个xml版本

抽取数据的内容

使用https://github.com/attardi/wikiextractor这个工具来从解压后的文件中抽取内容。

繁体转简体

抽取的数据中有很多是繁体,参考http://licstar.net/archives/262,使用opencc项目

安装opencc

https://launchpad.net/ubuntu/artful/amd64/opencc/1.0.4-5下载opencc的deb包,双击安装
使用方式,在terminal中输入:

opencc -i input_file 
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值