上周,有缘接触到word2vec,了解了它的强大,这篇文章就写写它吧!
实现word2vec的方式有很多,我所知道的就有手搓、使用tensorflow和gensim。本篇文章是以gensim实现,代码很简单。如果想看tensorflow实现的参考Vector Representations of Words。
想直接跑代码查看效果,可点击Word2VecDemo下载。
整篇文章分成四部分:
- 第一步:获得数据,建立语料库
- 第二步:分词
- 第三步:训练
- 第四步:查看效果
第一步:获得数据,建立语料库
本打算下载维基百科中文语料库来跑一下,但由于时间原因,还没试。当前,使用的是我从一个法律网站爬下来30万条数据。爬数据的框架,是使用scrapy。
第二步:分词
在之前,我一个同学盼哥跟我说过,他跑过tensorflow中word2vec的例子,需要注意的是英文不需要分词,而中文需要分词。当时没明白过来,但真正看到示例代码的时候,才知道真这样。
然后,我就在github中搜到了jieba,看到9k+ star
,分词就用它了。
之后,就从数据库中取出数据,使用jieba
分词,存储到./data
文件夹中。
第三步:训练
gensim
训练特别简单,就是读取./data
文件下分好词的文本,然后将其使用空格分割,返回给models.gensim
训练:
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
| #coding: utf-8 #中文版处理的word2vec from gensim import models # 引入日志配置 import logging logging.basicConfig(format='%(asctime)s : %(levelname)s : %(message)s', level=logging.INFO) file_path = "./data/case.txt" class MySentences(object): def __init__(self, file_path): self.file_path = file_path def __iter__(self): for line in open(file_path): # split当只有一个的时候,返回单个字符串,多个则返回数组 words = line.split(" ") result_word = [] for word in words: if word and word != '\n': result_word.append(word) yield result_word sentences = MySentences(file_path) model = models.Word2Vec(sentences, workers=20, min_count=5, size=200) # 保存模型 model.save("./cache/zh_word2vec")
|
需要注意的是:
1、models.Word2Vec中的参数:
- sentences: 可以是个二维数组,例如:[[‘今天’, ‘是’, ‘星期天’], [‘明天’, ‘是’, ‘星期一’]],但一般语料库都比较大,所以都是使用yield方式。
- workers: 训练数据的线程数
- min_count: 当某个词出现的平率少于这个数,就会被忽视
- size: 存储向量的维度,维度越大存储的信息越多,越准确
2、保存训练好的模型到./cache/zh_word2vec
1
| model.save("./cache/zh_word2vec")
|
后面查看效果的时候,会用到。
第四步,查看效果
代码实现流程很简单,就是使用models.Word2Vec.load
加载训练好的模型,然后使用model
模块下的API进行操作。
代码如下:
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
| #coding: utf-8 #中文版处理的word2vec使用 from gensim import models # 引入日志配置 import logging logging.basicConfig(format='%(asctime)s : %(levelname)s : %(message)s', level=logging.INFO) model = models.Word2Vec.load("./cache/zh_word2vec") print '\n女人 + 丈夫 - 男人:' result = model.most_similar(positive=['女人', '丈夫'], negative=['男人'], topn=1) print result[0][0], result[0][1] print '\n抢夺和抢劫相近程度:' print model.similarity('抢夺', '抢劫') print "\n抢劫的近义词" result = model.most_similar(['抢劫']) for value in result: print value[0], value[1] print '\n公司法的近义词:' result = model.most_similar(['公司法']) for value in result: print value[0], value[1] print '\n公司法和协议组成的近义词:' result = model.most_similar(['公司法', '协议']) for value in result: print value[0], value[1] print '\n委托书的近义词:' result = model.most_similar(['委托书']) for value in result: print value[0], value[1] print '\n投资的近义词:' result = model.most_similar(['投资']) for value in result: print value[0], value[1] print "\n找出投资、抢劫、强奸、盗窃中,哪个词不是一组的:" result = model.doesnt_match(['投资', '抢劫', '强奸', '盗窃']) print result
|
结果为:
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 63 64 65 66 67 68
| 女人 + 丈夫 - 男人: 妻子 0.638504564762 抢夺和抢劫相近程度: 0.80240327463 抢劫的近义词 抢夺 0.802403330803 盗窃 0.800097942352 作案 0.797169923782 抢劫犯罪 0.74809718132 敲诈勒索 0.745306968689 诈骗 0.706851243973 行窃 0.706330060959 强奸 0.685930252075 共谋 0.683236837387 飞车 0.653475642204 公司法的近义词: 继承法 0.759847998619 行政处罚法 0.738676190376 土地管理法 0.73749756813 票据法 0.735802054405 物权法 0.734579086304 产品质量法 0.702591955662 保险法 0.695441961288 著作权法 0.683708071709 消防法 0.682392597198 劳动法 0.670343637466 公司法和协议组成的近义词: 协议书 0.666539371014 消防法 0.601478874683 拍卖法 0.584682762623 合同 0.582781195641 继承法 0.573017239571 公司章程 0.572464048862 票据法 0.560360312462 补充协议 0.551261663437 物权法 0.549430251122 土地管理法 0.548958778381 委托书的近义词: 授权书 0.733257114887 书面材料 0.667756915092 声明书 0.649828374386 声明 0.635425388813 承诺函 0.623859405518 承诺书 0.614668488503 担保书 0.598217010498 确认函 0.597471117973 便条 0.589580059052 函件 0.586620807648 投资的近义词: 出资 0.632706165314 入股 0.615086615086 投入 0.525379896164 利润分配 0.503669142723 股票 0.50173163414 资金 0.495302915573 回报 0.493470430374 开发 0.492733627558 增资 0.49268245697 顾问 0.490810781717 找出投资、抢劫、强奸、盗窃中,哪个词不是一组的: 投资
|
可以看出来,整个模型已经有点效果出来了。若是,整个语料库再扩大十倍,应该会更准确很多。
总结
gensim实现的word2vec,使用特别简单,效果也很不错。不过,后期打算深入了解原理,然后使用tensorflow的方式进行训练,看效果能否更好。
本来,打算再写一篇doc2vec的,不过,因为至今未看到很大的效果,所以留待以后吧。
参考
Simple word2vec tutorial
Quick Example