英文维基百科语料上的Word2Vec实验
英文维基百科的数据,下载的是xml压缩后的最新数据(下载日期是2015年3月1号),大概14G,下载地址:
https://dumps.wikimedia.org/enwiki/latest/enwiki-latest-pages-articles.xml.bz2
环境:Ubuntu16.04下Python 2.7
参考:http://www.52nlp.cn/%E4%B8%AD%E8%8B%B1%E6%96%87%E7%BB%B4%E5%9F%BA%E7%99%BE%E7%A7%91%E8%AF%AD%E6%96%99%E4%B8%8A%E7%9A%84word2vec%E5%AE%9E%E9%AA%8C/comment-page-1
1、处理包括两个阶段,首先将xml的wiki数据转换为text格式,通过下面这个脚本(process_wiki.py)实现:
#!/usr/bin/env python
# -*- coding: utf-8 -*-
# Author: Pan Yang (panyangnlp@gmail.com)
# Copyrigh 2017
from __future__ import print_function
import logging
import os.path
import six
import sys
import io
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("Using: python process_wiki.py enwiki.xxx.xml.bz2 wiki.en.text")
sys.exit(1)
inp, outp = sys.argv[1:3]
space = " "
i = 0
output = io.open(outp, 'w', encoding='utf-8') #python3下可以不用io
wiki = WikiCorpus(inp, lemmatize=False, dictionary={}) #将lemmatize设置为False的主要目的是不使用pattern模块来进行英文单词的词干化处理,无论你是否已经安装了pattern,因为使用pattern会严重影响这个处理过程,变得很慢
for text in wiki.get_texts(): #通过get_texts将维基里的每篇文章转换位1行text文本,并且去掉了标点符号等内容
if six.PY3:
output.write(b' '.join(text).decode('utf-8') + '\n')
# ###another method###
# output.write(
# space.join(map(lambda x:x.decode("utf-8"), text)) + '\n')
else:
output.write(space.join(text) + "\n")
i = i + 1
if (i % 10000 == 0):
logger.info("Saved " + str(i) + " articles")
output.close()
logger.info("Finished Saved " + str(i) + " articles")
## 执行"python process_wiki.py enwiki-latest-pages-articles.xml.bz2 wiki.en.text"
注:利用了gensim里的维基百科处理类WikiCorpus,通过get_texts将维基里的每篇文章转换位1行text文本,并且去掉了标点符号等内容,注意这里“wiki = WikiCorpus(inp, lemmatize=False, dictionary={})”将lemmatize设置为False的主要目的是不使用pattern模块来进行英文单词的词干化处理,无论你的电脑是否已经安装了pattern,因为使用pattern会严重影响这个处理过程,变得很慢。
2、有了这个数据后,使用脚本train_word2vec_model.py进行模型训练如下:
#!/usr/bin/env python
# -*- coding: utf-8 -*-
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(globals()['__doc__'] % locals())
sys.exit(1)
inp, outp1, outp2 = sys.argv[1:4]
model = Word2Vec(LineSentence(inp), size=400, window=5, min_count=5,
workers=multiprocessing.cpu_count())
# trim unneeded model memory = use(much) less RAM
# model.init_sims(replace=True)
model.save(outp1)
model.wv.save_word2vec_format(outp2, binary=False)
## 执行 "python train_word2vec_model.py wiki.en.text wiki.en.text.model wiki.en.text.vector"
获得词向量表示wiki.en.text.vector
3、通过gensim来加载和测试这个模型
#!/usr/bin/env python
# -*- coding: utf-8 -*-
import gensim
model = gensim.models.Word2Vec.load_word2vec_format("wiki.en.text.vector", binary=False)
result=model.most_similar("queen")
for e in result:
print(e[0], e[1])
print('---------------------------------')
print(model.similarity("woman", "man"))
print('---------------------------------')
print(model.doesnt_match("breakfast cereal dinner lunch".split())