『词向量』用Word2Vec训练中文词向量（一）—— 采用搜狗新闻数据集_搜狗实验室数据集

用搜狗新闻数据集来训练中文词向量（Word2Vec），自己做的时候踩了很多的坑，希望分享出来让大家少走弯路。

在学习完这篇后，您可以点击 维基百科训练词向量，来进一步完善自己的词向量模型！

参考文章：搜狗语料库word2vec获取词向量
自然语言处理入门(一)------搜狗新闻语料处理和word2vec词向量的训练
word2vec使用方法小结

---

---

数据集下载

  此次用的是搜狗实验室的新闻数据集下载地址

  有迷你版和完整版可供选择。我下载的是完整版的 tar.gz 格式。

---

数据集处理

（一）文档解压

  打开 Windows命令提示符 (cmd)，转到该文件所在文档，输入：

tar -zvxf news_sohusite_xml.full.tar.gz
1

  即可将下载下的文件 news_sohusite_xml.full.tar.gz 解压为 news_sohusite_xml.dat

（二）文档提取

  我们看一下解压后的数据（由于数据太大，我用 Pycharm 打开）

  发现两个Key Point：(1) 文档编码有问题，我们需要对它进行转码 (2) 文档存储格式是 uml ，url 是页面链接，contenttitle 是页面标题，content 是页面内容，可以根据自己需要来获取信息。

  利用 cmd ，在转码处理的同时再提取 “content” 中的内容：

type news_sohusite_xml.dat | iconv -f gbk -t utf-8 -c | findstr "<content>"  > corpus.txt 
1

  这时候可能会报错，原因是缺少 iconv.exe ，需要下载 win_iconv - 编码转换工具 ，下载后解压，复制 iconv.exe 到 C:\Windows\System32，即可使用。

  保存在文档 corpus.txt 中，效果如图所示。

（三）文档分词

  建立 corpusSegDone.txt 文件，作为分词后的结果保存文件。输入以下代码进行分词，每处理100行就打印一次，可以看到进度。

import jieba
import re

filePath = 'corpus.txt'
fileSegWordDonePath = 'corpusSegDone.txt'

# 将每一行文本依次存放到一个列表
fileTrainRead = []
with open(filePath, encoding='utf-8') as fileTrainRaw:
    for line in fileTrainRaw:
        fileTrainRead.append(line)

# 去除标点符号
fileTrainClean = []
remove_chars = '[·’!"#$%&\'()*+,-./:;<=>?@，。?★、…【】《》？“”‘’！[\\]^_`{|}~]+'
for i in range(len(fileTrainRead)):
    string = re.sub(remove_chars, "", fileTrainRead[i])
    fileTrainClean.append(string)

# 用jieba进行分词
fileTrainSeg = []
file_userDict = 'dict.txt'  # 自定义的词典
jieba.load_userdict(file_userDict)
for i in range(len(fileTrainClean)):
    fileTrainSeg.append([' '.join(jieba.cut(fileTrainClean[i][7:-7], cut_all=False))])  # 7和-7作用是过滤掉<content>标签，可能要根据自己的做出调整
    if i % 100 == 0:  # 每处理100个就打印一次
        print(i)

with open(fileSegWordDonePath, 'wb') as fW:
    for i in range(len(fileTrainSeg)):
        fW.write(fileTrainSeg[i][0].encode('utf-8'))
        fW.write('\n'.encode("utf-8"))


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34

  分词过程如下图所示，我的总共 140w 行，用时 45 min。

  分词结果如图所示：

---

用gensim训练词向量

  解释一下训练语句model = word2vec.Word2Vec(sentences, size=100, sg=1, window=6, min_count=0, workers=4, iter=5)的参数，避免踩坑：

• sentences：传入的句子集合
• size：是指训练的词向量的维度
• sg：为 0 表示训练采用 CBOW 算法，1 表示采用 skip-gram 算法
• window：窗口数，即当前词与预测词的最大距离
• min_count：舍弃掉那些词频比该值小的词。注意，我在这里踩了很大的坑，一定要想清楚是否要过滤掉频率较小的词！如果你还希望做句子相似性的时候，如果舍弃了一部分单词，有可能会出现句子中的词不在词汇表中的情况！！！
• worker：线程数，使用多线程来训练模型
• iter：迭代次数

  如果想了解一下输出信息logging，请点击 logging模块、Logger类，也可以自己添加想要的信息！
  剩余的大部分做了注释，直接贴代码：

import logging
import sys
import gensim.models as word2vec
from gensim.models.word2vec import LineSentence, logger


def train_word2vec(dataset_path, out_vector):
    # 设置输出日志
    logging.basicConfig(format='%(asctime)s : %(levelname)s : %(message)s', level=logging.INFO)
    logger.info("running %s" % ' '.join(sys.argv))
    # 把语料变成句子集合
    sentences = LineSentence(dataset_path)
    # 训练word2vec模型（size为向量维度，window为词向量上下文最大距离，min_count需要计算词向量的最小词频）
    model = word2vec.Word2Vec(sentences, size=100, sg=1, window=5, min_count=5, workers=4, iter=5)
    # (iter随机梯度下降法中迭代的最大次数，sg为1是Skip-Gram模型)
    # 保存word2vec模型（创建临时文件以便以后增量训练）
    model.save("word2vec.model")
    model.wv.save_word2vec_format(out_vector, binary=False)


# 加载模型
def load_word2vec_model(w2v_path):
    model = word2vec.KeyedVectors.load_word2vec_format(w2v_path, binary=True)
    return model


# 计算词语的相似词
def calculate_most_similar(model, word):
    similar_words = model.most_similar(word)
    print(word)
    for term in similar_words:
        print(term[0], term[1])


if __name__ == '__main__':
    dataset_path = "corpusSegDone.txt"
    out_vector = 'corpusSegDone.vector'
    train_word2vec(dataset_path, out_vector)


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40

  但是我知道，绝不会那么简单。我出现了第一个警告：

UserWarning: C extension not loaded, training will be slow.

  我刚开始没看到，结果到后面一个 EPOCH 只能处理 160 词/s ，而一般是几十万，我整整训练了10个小时都没有结果！！！果然很 slow ::>_<::

  在查阅资料后，我得知是缺少C扩展，有以下三种解决方案：

• 自己动手安装，需要 Visual Studio 请看此位博主

• 用 conda 安装，会自动绑定上C编译 请看此位博主

• 卸载高版本的 gensim 包，安装 3.7.1 版本，我用的是这种，比较快。

# 首先打开cmd，卸载gensim

pip uninstall gensim

#接着安装3.7.1版本

pip install gensim==3.7.1
1
2
3
4
5
6
7

  再次运行，就不会显示这种警告，而是换了一个警告呢！很厉害 O__O"

UserWarning: This function is deprecated, use smart_open.open instead. See the migration notes for details: 点击这里

  点开链接，发现是 smart_open ——用于在 Python 中流式传输大文件的工具。我们撇开它不谈，不妨看一看现在处理词的速度，发现达到了 30 w/s , 用一个外国程序猿的话说，" Now the program is running within seconds which made a drastic change in the execution time. "

  回过头来看看 smart_open ，open ( ) 做的它都可以做，还可以减少编写的代码和产生更少的错误。可以 pip install smart_open，在打开大文件时使用 smart_open.open ( ) 即可。

  用时 1h 30min，得到了 “word2vec.model” 模型

  注释掉训练代码，运行加载模型的代码：

# 加载模型
def load_word2vec_model(w2v_path):
    model = word2vec.Word2Vec.load(w2v_path)
    return model

model = load_word2vec_model("word2vec.model")  # 加载模型
1
2
3
4
5
6

  用以下代码计算与“中国”最相近的词：

def calculate_most_similar(self, word):
    similar_words = self.wv.most_similar(word)
    print(word)
    for term in similar_words:
        print(term[0], term[1])

model = load_word2vec_model("word2vec.model")
calculate_most_similar(model, "中国")
1
2
3
4
5
6
7
8

  结果如下：（好像还行）

  与男人相近的 O_o

  这个可以打印出词的向量：

print(model['男人'])
1

  找出最不合群的词：

# 找出不合群的词
def find_word_dismatch(self, list):
    print(self.wv.doesnt_match(list))

list = ["早饭", "吃饭", "恰饭", "嘻哈"]
find_word_dismatch(model, list)
1
2
3
4
5
6

  完整代码：

import logging
import sys
import gensim.models as word2vec
from gensim.models.word2vec import LineSentence, logger
# import smart_open


def train_word2vec(dataset_path, out_vector):
    # 设置输出日志
    logging.basicConfig(format='%(asctime)s : %(levelname)s : %(message)s', level=logging.INFO)
    logger.info("running %s" % ' '.join(sys.argv))
    # 把语料变成句子集合
    sentences = LineSentence(dataset_path)
    # sentences = LineSentence(smart_open.open(dataset_path, encoding='utf-8'))  # 或者用smart_open打开
    # 训练word2vec模型（size为向量维度，window为词向量上下文最大距离，min_count需要计算词向量的最小词频）
    model = word2vec.Word2Vec(sentences, size=100, sg=1, window=5, min_count=5, workers=4, iter=5)
    # (iter随机梯度下降法中迭代的最大次数，sg为1是Skip-Gram模型)
    # 保存word2vec模型
    model.save("word2vec.model")
    model.wv.save_word2vec_format(out_vector, binary=False)


# 加载模型
def load_word2vec_model(w2v_path):
    model = word2vec.Word2Vec.load(w2v_path)
    return model


# 计算词语最相似的词
def calculate_most_similar(self, word):
    similar_words = self.wv.most_similar(word)
    print(word)
    for term in similar_words:
        print(term[0], term[1])


# 计算两个词相似度
def calculate_words_similar(model, word1, word2):
    print(model.similarity(word1, word2))


# 找出不合群的词
def find_word_dismatch(self, list):
    print(self.wv.doesnt_match(list))


if __name__ == '__main__':
    dataset_path = "corpusSegDone.txt"
    out_vector = 'corpusSegDone.vector'
    train_word2vec(dataset_path, out_vector)  # 训练模型
    model = load_word2vec_model("word2vec.model")  # 加载模型

    # calculate_most_similar(model, "吃饭")  # 找相近词

    # calculate_words_similar(model, "男人", "女人")  # 两个词相似度

    # print(model.wv.__getitem__('男人'))  # 词向量

    # list = ["早饭", "吃饭", "恰饭", "嘻哈"]

    # find_word_dismatch(model, list)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62

   \^o^/ 终于完成啦！有什么问题可以留言，我会尽力解答！└(^o^)┘有什么不对，还望多多指教！

  欢迎继续查看下一篇：用维基百科语料库训练中文词向量

---

写在最后

  如果时间来不及训练模型，或者是出现了错误，可以加我的Q：2206300581（一杯奶茶钱），我会提供分词后的结果【corpusSegDone.txt】以及训练好的模型【word2vec.model】。

  创作不易，训练更难，还希望小伙伴可以点个赞！

---

参考文章

再次感谢三位的文章，拯救了我这个小菜鸡！

参考文章：搜狗语料库word2vec获取词向量
自然语言处理入门(一)------搜狗新闻语料处理和word2vec词向量的训练
word2vec使用方法小结