【NLP】之 Word2vec(将评论转为词向量)_评论文本训练word2vec模型

1.Word2vec简介

Word2vec，为一些用来产生词向量的有关模型。这些模型是浅层的神经网络，经过训练可以重新建立语言文本。网络用文字表示，有必要猜测相邻位置的输入字。

训练完成后，word2vec模型可用于将每个单词映射到矢量，该矢量可用于表示单词和单词之间的关系。该向量为神经网络之隐藏层。总之，word2vec使用一层神经网络将one-hot 形式的单词向量映射到分布式形式的单词向量。word2vec涉及到很多自然语言处理的名词。第一个是单词vector。这可以很容易地用于各种后续计算，即单词矢量。词向量最简单的形式是one-hot形式；还有更复杂的分布式字矢量，而word2vec是用于学习该分布式字矢量的算法。

Word2vec是由Google开发的一个计算词向量的开源工具，它是一个浅层神经网络（如图1），神经网络模型包含输入层、输出层以及隐藏层。

                              

                                                                            图1 神经网络模型

Word2vec的实质是用来计算词向量的CBOW模型和Skip-gram模型。

CBOW是一种根据上下文的词语预测当前词语的出现概率的模型。训练CBOW模型的输入数据是某个特征词的上下文相关的词相对应的词向量，其输出数据是这个特定词的词向量。在训练CBOW模型时，词向量只是个副产品，换句话说，词向量是CBOW模型的一个参数。训练开始的时候，词向量初始化为一个随机值，在模型训练的过程中，词向量进行不断地更新。投影层对其求和，也就是简单的向量加法。对于输出层，由于语料库中的词汇量是固定的C个，所以可以将模型的训练看作是多分类问题：对于给定特征，模型从C个分类中输出一个最近的。CBOW模型中上下文距离是可以自定义的，使用的是词袋模型，所以上下文中的词都是平等的，不需考虑其与关注词的距离。

Skip-Gram模型和CBOW模型正好相反，其输入数据是一个特定词的词向量，输出结果是输入的词对应的上下文词向量。Skip-Gram模型的实质是计算输入的词的输入向量  和目标词的输出向量之间的余弦相似度，并进行softmax归一化。

CBOW模型和Skip-Gram模型的原理图如图2。

                                      

                                                     图2 CBOW模型和Skip-Gram模型的原理图

2.Word2vec训练

Word2vec在使用前需要线进行训练，本文训练使用的语料库是Wiki百科的中文语料库（1.61G，337336篇文章）。

语料库下载链接：https://dumps.wikimedia.org/zhwiki/latest/zhwiki-latest-pages-articles.xml.bz2

（1）数据抽取。

下载的原始语料数据包是*-articles.xml.bz2格式的，需要对其进行处理，提取数据存入*.txt文件中。本文使用的提取方式是gensim.corpora中的WikiCorpus。代码如下。

import logging
import os.path
import sys
import warnings
warnings.filterwarnings(action='ignore', category=UserWarning, module='gensim')
from gensim.corpora import WikiCorpus
 
if __name__ == '__main__':
    program = os.path.basename(sys.argv[0])  # 得到文件名
    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))
 
    if len(sys.argv) < 3:
        print(globals()['__doc__'] % locals())
        sys.exit(1)
    inp, outp = sys.argv[1:3]
    space = " "
    i = 0
    output = open("out.txt", "w", encoding='utf-8')
	# gensim里的维基百科处理类WikiCorpus
    wiki = WikiCorpus(inp, lemmatize=False, dictionary=[])  
	# 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
    for text in wiki.get_texts():  
        output.write(space.join(text) + "\n")
        i = i + 1
        if (i % 1000 == 0):
            logger.info("Saved " + str(i) + " articles.")
    output.close()
    logger.info("Finished Saved " + str(i) + " articles.")

（2）数据预处理。

提取后的预料中包含很多繁体字，需要将其转化为简体字；然后再对其进行结巴分词及去停用词处理。

中文繁体转成中文简体，使用的是OpenCC，它是一款开源的中文处理工具，支持字符级别的转换。该工具下载成功之后，双击opencc.exe文件，在当前目录下打开dos窗口，输入如下命令行：

opencc -i wiki_zh_1.6g.txt -o wiki_zh_simp.txt -c t2s.json

对语料库进行分词，采用的结巴分词与去停留词等方法与【NLP】之 结巴分词-CSDN博客相同，在此不在赘述。

使用上述处理完毕的语料库对Word2vec进行训练，本文设置词向量维度为200维，上下文窗口大小为5，最小词频为5。核心代码如下。

import logging
import os.path
import sys
import multiprocessing
from gensim.corpora import WikiCorpus
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=200, window=5, min_count=5, workers=2)
    model.save(outp1)
    model.wv.save_word2vec_format(outp2, binary=False)

然后运行如下命令

python word2vec_model.py out.txt out.model out.vector

3.用Word2vec将评论转为词向量

利用维基百科将Word2vec训练完成后，就得到了语料库中的相应词的词向量，将评论信息转化为词向量的实质是利用“键值对”的原理，将特定词的词向量取出。将评论中的中文词全部转化为词向量后，整条评论的向量值就是其所有分词向量的平均值。核心代码如下。

from gensim.models import Word2Vec
import codecs, sys
import pymysql
import numpy
numpy.set_printoptions(suppress=True)
 
fcoms = codecs.open('coms_all.txt', 'r', encoding="utf8")
w2v_model = Word2Vec.load('wiki.zh.1.6gr.model')
w = codecs.open('vec_all.txt', 'w', encoding="utf8")
size = 200
 
def count_vec_sentence():
    line = fcoms.readline()
    i = 0
    id = 0
    while line :
        words = line.split(' ')
        vec = numpy.zeros(size).reshape((1, size))
        vec0 = numpy.zeros(size).reshape((1, size))
        count = 0
        flag = True
        for item in words :
            word = item.strip()
            if word.__len__() > 0 :
                if flag :
                    attitude = word
                    flag = False
                else :
                    try :
                        vec += w2v_model[word].reshape((1, size))
                        count += 1
                    except KeyError :
                        # print('==== fault: ', word)
                        continue
        if i % 100 == 0 :
            print(i)
        i += 1
        line = fcoms.readline()
        if count != 0 :
            vec /= count
            w.write(attitude + ' ')
            w.write(str(vec)[2:-2])
            w.write('$')
 
if '__main__' == __name__:
    count_vec_sentence()

词向量结果