Windows系统下使用维基百科中文语料训练Word2Vec词向量

Windows系统下使用维基百科中文语料训练word2vec词向量
By 龙前尘

实验环境：win8、python 2.7

转载请注明地址：
http://blog.csdn.net/svenhuayuncheng/article/details/78751311

笔者按

笔者近期用简单问句模板，搭建了一个面向特定领域的KBQA系统。在做问法泛化的时候，考虑使用问句和同义词集合的交集来处理。
在实验时，笔者发现，单纯使用Jaccard交集来刻画问句与模板的相似度，还是有些粗糙，需要大量的人力统计或制造更可能多的模板，尽量覆盖问法。但是显然，这个做法是没有边界的。
为了解决这个问题，并且体现出问句与模板的语义相似度，笔者想使用词向量为基础，来尝试各种相似度的计算，来找到最相近的模板。
因此，经过一段时间的实验（主要是排雷），完成了词向量训练。笔者使用的是维基百科中文语料，以及特定领域的一些语料进行训练。
这里记录一下全过程，与大家分享与交流。

1. 提取语料

1.1 下载wiki百科的数据

从wiki百科下载中文最新语料。
dump下载地址：https://dumps.wikimedia.org/zhwiki/latest/
本文使用的语料为：zhwiki-latest-pages-articles.xml.bz2，大小大约为1.4GB。

1.2 数据抽取

受到这篇博文获取并处理中文维基百科语料的启发，编写python代码实现。
其中的主要工作，是从下载的压缩包中抽取出wiki百科正文，并通过正则表达式进行初步过滤。首先去掉那些帮助页面和重定向的页面，这些页面的信息都是无用的。其次处理页面的一些特殊的、非文本的标记，将其去掉。最后使用opencc对于文本信息进行繁体到简体的转化。关于如何安装opencc，可以查看博主的文章：手动安装opencc（中文简繁体转换插件） ——解决安装opencc时出现HTTP 403错误的问题。
代码如下：

#coding:utf-8
from gensim.corpora.wikicorpus import extract_pages,filter_wiki
import bz2file
import re
import opencc
from tqdm import tqdm
import codecswiki = extract_pages(bz2file.open('zhwiki-latest-pages-articles.xml.bz2'))def wiki_replace(d):s = d[1]s = re.sub(':*{\|[\s\S]*?\|}', '', s)s = re.sub('[\s\S]*?', '', s)s = re.sub('(.){{([^{}\n]*?\|[^{}\n]*?)}}', '\\1[[\\2]]', s)s = filter_wiki(s)s = re.sub('\* *\n|\'{2,}', '', s)s = re.sub('\n+', '\n', s)s = re.sub('\n[:;]|\n +', '\n', s)s = re.sub('\n==', '\n\n==', s)#cc = opencc.OpenCC('mix2s')#return cc.convert(s).strip()return si = 0
f = codecs.open('wiki.txt', 'w', encoding='utf-8')
w = tqdm(wiki, desc=u'已获取0篇文章')
for d in w:#re.findall返回正则表达式匹配的所有字符串，用于去掉帮助页面和重定向页面;if not re.findall('^[a-zA-Z]+:', d[0]) and not re.findall(u'^#', d[1]):s = wiki_replace(d)f.write(s+'\n\n\n')i += 1#print(u'已获取%s篇文章'%i)if i % 100 == 0:w.set_description(u'已获取%s篇文章'%i)f.close()

注意，此处的第21、22行是使用opencc接口进行繁体中文到简体中文的转化代码。但是笔者在跑代码时，发现使用python的opencc接口，程序会一直卡在繁/简转换这里，而不继续运行。这个bug暂时还没有解决。笔者使用了另一种方法来运行opencc进行转换。如果大家可以正常运行代码，那么可以去掉这里的注释，在代码中直接进行繁/简转换。

2. 繁简转化

如前文所述，在python代码中跑opencc会有问题。故笔者使用命令行来进行繁/简转化。
首先在https://bintray.com/package/files/byvoid/opencc/OpenCC下载opencc的windows安装包opencc-1.0.1-win64.7z，并解压放置到自定义的目录下。
然后在该目录下，放入待转换的文件，并在命令行运行该命令来转化，可以得到转化后的文件：

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

经过转化的简体中文文件，其编码为是utf16，需要写代码进行文件编码的转换，转换为utf8的编码，转换代码如下：

#encoding:utf8
import codecs
from tqdm import tqdm def transformFile(ipath, opath):encoding = 'utf-16-le'iFile = codecs.open(ipath, 'r', encoding)encoding = 'utf-8'oFile = codecs.open(opath, 'w', encoding)sentences = iFile.readlines()i = 0w = tqdm(sentences, desc=u'转换句子')for sentence in w:oFile.write(sentence)i += 1if i % 100 == 0:w.set_description(u'已转换%s个句子'%i)iFile.close()oFile.close()ipath = 'wiki.zh.jian.txt'
opath = 'wiki.zh.jian.utf8.txt'
transformFile(ipath, opath)

3. 语料清洗

经过简体化的文档，仍然有很多脏信息。如数字、标点符号、非中文语言字符等，并且文档中的句子是不能用来训练的，需要进行分词处理。
故编写代码，进行非中文字符串的清除，以及分词。

这个博客有整理好的停用词，可以直接拿来做分词用。

分词及文本清洗的代码如下，此处使用jieba分词工具。

#encoding:utf8
import jieba
import os
import codecs
from tqdm import tqdmclass MySentences(object):def __init__(self, dirname):self.dirname = dirnamedef __iter__(self):for fname in os.listdir(self.dirname):for line in open(os.path.join(self.dirname, fname)):if len(line) > 0:yield [segment.strip() for segment in jieba.cut(line.strip(), cut_all=False)if segment not in stoplist and len(segment) > 0]def is_ustr(instr):out_str = ''for index in range(len(instr)):if is_uchar(instr[index]):out_str = out_str + instr[index].strip()return out_strdef is_uchar(uchar):# """判断一个unicode是否是汉字"""if u'\u4e00' <= uchar <= u'\u9fff':return Trueif __name__ == '__main__':dirname = 'zh_simplify'# 读取停用词；stop_f = codecs.open(u'停用词.txt', 'r', encoding='utf-8')stoplist = {}.fromkeys([line.strip() for line in stop_f])# 进行jieba分词sentences = MySentences(dirname)# 分词结果写入文件f = codecs.open('wiki_jieba.txt', 'w', encoding='utf-8')i = 0j = 0w = tqdm(sentences, desc=u'分词句子')for sentence in w:if len(sentence) > 0:output = " "for d in sentence:# 去除停用词；if d not in stoplist:output += is_ustr(d).strip() + " "f.write(output.strip())f.write('\r\n')i += 1if i % 10000 == 0:j += 1w.set_description(u'已分词： %s万个句子'%j)f.close()

经过分词之后的文本，大概是这样的：

每一行为一篇文档，每个文档被分为许多词语的组合，且以空格分开。
这里我建立了一个名为‘zh_simplify’的文件夹，里面存放有几个文本文件，代码中迭代地处理这些文件，并将语料都存于最终的一个文档中。
整个清理过程大约40分钟。

4. 词向量训练

经过那么多步骤的预处理，终于得到“干净”的语料，可以开始训练了。
先放训练代码：

# -*- coding: utf-8 -*-
import logging
import multiprocessing
import codecs
from tqdm import tqdmfrom gensim.models import Word2Vec
from gensim.models.word2vec import LineSentenceif __name__ == '__main__':program = "train_word2vec_model.py"logger = logging.getLogger(program)logging.basicConfig(format='%(asctime)s: %(levelname)s: %(message)s')logging.root.setLevel(level=logging.INFO)logger.info("running %s" % ' '.join(program))infile = "wiki_jieba.txt"vec_outfile1 = "wiki.zh.text.model"vec_outfile2 = "wiki.zh.text.vector"sentences = LineSentence(infile)model = Word2Vec(LineSentence(infile), size=300, window=5, min_count=5,workers=multiprocessing.cpu_count(), iter=100)# trim unneeded model memory = use(much) less RAM# model.init_sims(replace=True)model.save(vec_outfile1)model.wv.save_word2vec_format(vec_outfile2, binary=False)

最重要的训练语句只要一行：

model = Word2Vec(LineSentence(infile), size=300, window=5, min_count=5, workers=multiprocessing.cpu_count(), iter=100)

这里用了LineSentence函数，文档中这个函数功效为：

Simple format: one sentence = one line; words already preprocessed and separated by whitespace.

即表示：这里一句话 = 一行（用换行符分割），每一句话都经过预处理，并且用空白符分隔。

另外，训练参数的意义如下：

size=300 ：词向量的维度大小为300维；size越大，需要更多的训练数据,但是效果会更好. 推荐值为几十到几百
window=5 ：滑动窗口大小为5，即当前词的上下文为前后各两个词
min_count=5 ：词频少于5的词被舍弃掉
workers=multiprocessing.cpu_count() ：多核并行计算，worker参数只有在安装了Cython后才有效. 没有Cython的话, 只能使用单核.
iter=100 ：训练迭代次数，即将语料训练词向量100次

此外，还有一些参数设置：

sg=0 ：用于设置训练算法，默认为0，对应CBOW算法；sg=1，则采用skip-gram算法
alpha=0.05 ：用于设置学习速率
seed=1 ：用于随机数发生器，初始化词向量
max_vocab_size=None ：设置词向量构建期间的RAM限制。如果所有独立单词个数超过这个，则就消除掉其中最不频繁的一个。每一千万个单词需要大约1GB的RAM。设置成None则没有限制。
sample=0.001 ：高频词汇的随机降采样的配置阈值，默认为1e-3，范围是(0,1e-5)
hs=0 ：如果设置为0（defaut），使用negative sampling；若为1，使用hierarchica softmax技巧
negative=5 ：如果>0,则会采用negative samping，用于设置多少个noise words（负例）
cbow_mean=1 ：如果为1（defaut）则对上下文向量求均值进行训练；如果为0，则采用上下文词向量的和；只有使用CBOW的时候才起作用
hashfxn=< built-in function hash> ： hash函数来初始化权重，默认使用python的hash函数
trim_rule=None ：用于设置词汇表的整理规则，指定那些单词要留下，哪些要被删除
sorted_vocab=1 ：如果为1（default），则在分配word index 的时候会先对单词基于频率降序排序
batch_words=10000 ：表示每一批的传递给线程的单词的数量，默认为10000

所有参数都设置的训练语句如下所示：

model = Word2Vec(LineSentence(infile), size=300, alpha=0.5,window=5, min_count=5, max_vocab_size=None, sample=0.001,seed=1, workers=multiprocessing.cpu_count(),min_alpha=0.0001, sg=0, hs=0, negative=5, cbow_mean=1, hashfxn=<built-in function hash>,iter=100,null_word=0, trim_rule=None, sorted_vocab=1, batch_words=10000)

5. 测试词向量

训练开始：

经过将近10个小时，终于完成了词向量的训练。

最终得到两个文件，Gensim中默认格式的词向量文件model，以及原始c版本的词向量文件vector。

写一个代码测试下效果吧：

# encoding:utf8
import gensimif __name__ == '__main__':model = gensim.models.Word2Vec.load('wiki.zh.text.model')word1 = u'农业'word2 = u'计算机'if word1 in model:print (u"'%s'的词向量为： " % word1)print (model[word1])else:print (u'单词不在字典中！')result = model.most_similar(word2)print (u"\n与'%s'最相似的词为： " % word2)for e in result:print ('%s: %f' % (e[0], e[1]))print (u"\n'%s'与'%s'的相似度为： " % (word1, word2))print (model.similarity(word1, word2))print (u"\n'早餐 晚餐 午餐 中心'中的离群词为： ")print (model.doesnt_match(u"早餐 晚餐 午餐 中心".split()))print (u"\n与'%s'最相似，而与'%s'最不相似的词为： " % (word1, word2))temp = (model.most_similar(positive=[u'篮球'], negative=[u'计算机'], topn=1))print ('%s: %s' % (temp[0][0], temp[0][1]))

最终结果如下所示：

上图为‘农业’的词向量。

上图为一些近义词、离群词等的测试效果。

以上，完成了维基百科中文语料训练词向量的全过程。本文旨在做一个实验记录，也是抛砖引玉，欢迎大家共同探讨！