自己动手训练word2vec模型.md

训练语料

word2vec的算法是公开的，word2vec模型的质量完全取决于训练语料的质量。目前免费开放的预料不多，中文语料更是凤毛麟角。

这里推荐使用搜狗实验室的中文语料，对应的网址为：

http://www.sogou.com/labs/resource/cs.php

通常使用"搜狐新闻数据"即可，该数据来自搜狐新闻2012年6月—7月期间国内，国际，体育，社会，娱乐等18个频道的新闻数据，提供URL和正文信息。

数据格式

<doc>

<url>页面URL</url>

<docno>页面ID</docno>

<contenttitle>页面标题</contenttitle>

<content>页面内容</content>

</doc>

注意：content字段去除了HTML标签，保存的是新闻正文文本

数据文件

搜狐新闻数据区根据文件格式和数据规模细分为以下几种：

• 迷你版(样例数据, 110KB)：tar.gz格式，zip格式

• 完整版(648MB)：tar.gz格式，zip格式

• 历史版本：2008版(6KB)：完整版(同时提供硬盘拷贝,65GB)：tar.gz格式

数据预处理

提取中文内容

原始数据中包含完整的html文件，所以需要提取其中的中文内容，通常提取其中<content>标签包含的内容即可。

tar -zxvf news_sohusite_xml.full.tar.gz
cat news_sohusite_xml.dat | iconv -f gb18030 -t utf-8 | grep "<content>" > news_sohusite.txt
sed -i "" 's/<content>//g' news_sohusite.txt
sed -i "" 's/<\/content>//g' news_sohusite.txt

其中iconv命令的格式为：

iconv -f encoding [-t encoding] [inputfile]... 

参数含义为：

• -f encoding :把字符从encoding编码开始转换。
• -t encoding :把字符转换到encoding编码。
• -l :列出已知的编码字符集合
• -o file :指定输出文件
• -c :忽略输出的非法字符
• -s :禁止警告信息，但不是错误信息
• --verbose :显示进度信息
• -f和-t所能指定的合法字符在-l选项的命令里面都列出来了

中文切词

与处理英文不同，中文没有切词，需要使用jieba进行切词处理。

python -m jieba -d ' ' news_sohusite.txt > news_sohusite_cutword.txt

训练word2vec

完成预处理后，即可以利用gensim库进行训练。

def train_word2vec(filename):
    #模型文件不存在才处理
    if not os.path.exists(word2vec_file):
        sentences = LineSentence(filename)
        #sg=0 使用cbow训练, sg=1对低频词较为敏感
        model = Word2Vec(sentences,
                         size=n_dim, window=5, min_count=2, sg=1, workers=2)
        model.save(word2vec_file)

Word2Vec函数常见的几个参数含义如下：

• sentences表示需要处理的语料
• size表示word2vec的维数，一般50-300
• window表示处理word时的窗口长度
• min_count表示处理分析的word出现的最小次数
• sg为1表示使用skip-gram算法，为0为cbow
• workers表示计算使用的线程数
• iter表示迭代计算的次数

使用word2vec处理中文

把一个中文句子使用词向量表示的方法。对于类似短信、微博、标题这些长度较短的文字，可以使用各个word的word2vec相加取平均来表示。对训练数据集创建词向量，接着进行比例缩放（scale)。

def buildWordVector(imdb_w2v,text, size):
    vec = np.zeros(size).reshape((1, size))
    count = 0.
    #print text
    for word in text.split():
        #print word
        try:
            vec += imdb_w2v[word].reshape((1, size))
            count += 1.
        except KeyError:
            print word
            continue
    if count != 0:
        vec /= count
    return vec

当需要把中文数据集X转换成word2vec，可以使用如下方式。

#加载训练好的词向量模型
model = Word2Vec.load(word2vec_file)

x_vecs = np.concatenate([buildWordVector(model,z, n_dim) for z in x])
x_vecs = scale(x_vecs)

测试效果

下面我们测试生成的word2vec模型的质量。

寻找近义词

寻找近义词是word2vec的一个应用场景。

百度的近义词

print pd.Series(model.most_similar(u'百度'))
0      (网易, 0.844283640385)
1    (搜索引擎, 0.822018146515)
2      (腾讯, 0.774820387363)
3       (搜狗, 0.76777946949)
4      (新浪, 0.760137319565)
5      (奇虎, 0.745484173298)
6      (文库, 0.725166857243)
7    (手机软件, 0.717750906944)
8       (优酷, 0.70574760437)
9      (客户端, 0.70448333025)

微信的近义词

print pd.Series(model.most_similar(u'微信'))
0     (摇一摇, 0.768034994602)
1      (陌陌, 0.763847649097)
2    (网上聊天, 0.751431167126)
3    (聊天工具, 0.731707036495)
4      (盗号, 0.722806692123)
5      (飞聊, 0.715048789978)
6      (手机, 0.706719994545)
7     (发短信, 0.704942345619)
8      (聊天, 0.691777765751)
9    (账号密码, 0.679741084576)

单词运算

word2vec的一个神奇之处就是把文字转换成了数字，数字之间的加减运算，同样适用于word2vec。

足球+明星

print pd.Series(model.most_similar(positive=[u'足球'+u'明星']))
0      (巨星, 0.741350233555)
1    (光芒万丈, 0.727712750435)
2     (和亨利, 0.722848057747)
3      (球星, 0.722578346729)
4       (已贵, 0.71345859766)
5     (格米利, 0.694822609425)
6     (支斯篮, 0.690492749214)
7      (田坛, 0.689639627934)
8      (体坛, 0.689606904984)
9     (竞神锋, 0.684816122055)

球星-明星

print pd.Series(model.most_similar(positive=[u'球星'],negative=[u'明星']))
dtype: object
0    (国际米兰, 0.492849290371)
1      (中锋, 0.480526059866)
2      (球员, 0.479797780514)
3     (上赛季, 0.479528963566)
4      (主帅, 0.479275196791)
5      (球队, 0.477513790131)
6     (德里奇, 0.474446773529)
7     (热那亚, 0.472252100706)
8      (中场, 0.459134191275)
9       (巴萨, 0.45858669281)

比较单词的相似度

比较微信和陌陌

print model.wv.similarity(u'微信', u'陌陌')
0.763847656891

比较男人和坏人

print model.wv.similarity(u'男人', u'坏人')
0.617036796702