使用中文维基百科语料和gensim训练word2vec模型（centos）

最新推荐文章于 2025-05-30 21:47:59 发布

原创

最新推荐文章于 2025-05-30 21:47:59 发布 · 352 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#word2vec #深度学习 #embedding

本文介绍了如何在CentOS上利用中文维基百科语料和gensim库训练word2vec模型。首先，下载语料并进行处理，包括XML转TXT、繁体转简体以及去除特殊符号和分词。接着，使用处理后的语料训练word2vec模型，最后加载模型并进行测试。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、前期准备

下载中文维基百科语料：https://dumps.wikimedia.org/zhwiki/latest/zhwiki-latest-pages-articles.xml.bz2 （如果需要英文材料可以把链接中的zh改为en）
安装gensim

pip install gensim
安装繁体转简体中文库opencc

yum install opencc
yum install opencc-tools
安装结巴分词

pip install jieba

二、语料处理（python3.6）

xml转txt

# -*- coding: utf-8 -*-
 
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