使用gensim训练中文语料word2vec

忘是亡心i 2022-04-16 00:24 248阅读 0赞

# 使用gensim训练中文语料word2vec #

--------------------

1、项目目录结构

1.1 文件说明：

1.2 项目下载地址

2、使用jieba中文切词工具进行切词

2.1 添加自定义词典

2.2 添加停用词

2.3 jieba中文分词

2.4 完整代码和测试方法

3、gensim训练模型

--------------------

## 1、项目目录结构 ##

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2d1eXVlYWxpYW4_size_16_color_FFFFFF_t_70][]

### 1.1 文件说明： ###

> data:存放数据文件，其中source文件夹是存放语料文件，可以是多个文件，segment文件夹是对应source文件夹存放字词分割后的文件
> 
> models:保存gensim训练后的模型文件
> 
> segment.py: 用于分割中文字词的Python文件
> 
> word2vec.py: gensim训练Python文件

### 1.2 项目下载地址 ###

项目下载地址：[Github][]：[https://github.com/PanJinquan/nlp-learning-tutorials/tree/master/word2vec][Github]  ，“觉得不错，给个**Star**哈”

--------------------

## 2、使用jieba中文切词工具进行切词 ##

使用《人民的名义》的小说原文作为语料，语料在这里下载。拿到了语料，我们首先要进行分词，这里使用jieba分词完成。

### 2.1 添加自定义词典 ###

>  *  开发者可以指定自己自定义的词典，以便包含 jieba 词库里没有的词。虽然 jieba 有新词识别能力，但是自行添加新词可以保证更高的正确率
>  *  用法： jieba.load\_userdict(file\_name) \# file\_name 为文件类对象或自定义词典的路径
>  *  词典格式和 `dict.txt` 一样，一个词占一行；每一行分三部分：词语、词频（可省略）、词性（可省略），用空格隔开，顺序不可颠倒。`file_name` 若为路径或二进制方式打开的文件，则文件必须为 UTF-8 编码。
>  *  词频省略时使用自动计算的能保证分出该词的词频。

例如：

> 沙瑞金 5  
> 田国富 5  
> 高育良 5  
> 侯亮平 5  
> 钟小艾 5  
> 陈岩石 5  
> 欧阳菁 5  
> 易学习 5  
> 王大路 5  
> 蔡成功 5  
> 孙连城 5  
> 季昌明 5  
> 丁义珍 5  
> 郑西坡 5  
> 赵东来 5  
> 高小琴 5  
> 赵瑞龙 5  
> 林华华 5  
> 陆亦可 5  
> 刘新建 5  
> 刘庆祝 5

### 2.2 添加停用词 ###

def getStopwords(path):
        '''
        加载停用词
        :param path:
        :return:
        '''
        stopwords = []
        with open(path, "r", encoding='utf8') as f:
            lines = f.readlines()
            for line in lines:
                stopwords.append(line.strip())
        return stopwords

### 2.3 jieba中文分词  ###

def segment_line(file_list,segment_out_dir,stopwords=[]):
        '''
        字词分割，对每行进行字词分割
        :param file_list:
        :param segment_out_dir:
        :param stopwords:
        :return:
        '''
        for i,file in enumerate(file_list):
            segment_out_name=os.path.join(segment_out_dir,'segment_{}.txt'.format(i))
            segment_file = open(segment_out_name, 'a', encoding='utf8')
            with open(file, encoding='utf8') as f:
                text = f.readlines()
                for sentence in text:
                    # jieba.cut():参数sentence必须是str(unicode)类型
                    sentence = list(jieba.cut(sentence))
                    sentence_segment = []
                    for word in sentence:
                        if word not in stopwords:
                            sentence_segment.append(word)
                    segment_file.write(" ".join(sentence_segment))
                del text
                f.close()
            segment_file.close()
    
    def segment_lines(file_list,segment_out_dir,stopwords=[]):
        '''
        字词分割，对整个文件内容进行字词分割
        :param file_list:
        :param segment_out_dir:
        :param stopwords:
        :return:
        '''
        for i,file in enumerate(file_list):
            segment_out_name=os.path.join(segment_out_dir,'segment_{}.txt'.format(i))
            with open(file, 'rb') as f:
                document = f.read()
                # document_decode = document.decode('GBK')
                document_cut = jieba.cut(document)
                sentence_segment=[]
                for word in document_cut:
                    if word not in stopwords:
                        sentence_segment.append(word)
                result = ' '.join(sentence_segment)
                result = result.encode('utf-8')
                with open(segment_out_name, 'wb') as f2:
                    f2.write(result)

### 2.4 完整代码和测试方法  ###

# -*-coding: utf-8 -*-
    """
        @Project: nlp-learning-tutorials
        @File   : segment.py
        @Author : panjq
        @E-mail : pan_jinquan@163.com
        @Date   : 2017-05-11 17:51:53
    """
    
    ##
    import jieba
    import os
    from utils import files_processing
    
    '''
    read() 每次读取整个文件，它通常将读取到底文件内容放到一个字符串变量中，也就是说 .read() 生成文件内容是一个字符串类型。
    readline()每只读取文件的一行，通常也是读取到的一行内容放到一个字符串变量中，返回str类型。
    readlines()每次按行读取整个文件内容，将读取到的内容放到一个列表中，返回list类型。
    '''
    def getStopwords(path):
        '''
        加载停用词
        :param path:
        :return:
        '''
        stopwords = []
        with open(path, "r", encoding='utf8') as f:
            lines = f.readlines()
            for line in lines:
                stopwords.append(line.strip())
        return stopwords
    
    def segment_line(file_list,segment_out_dir,stopwords=[]):
        '''
        字词分割，对每行进行字词分割
        :param file_list:
        :param segment_out_dir:
        :param stopwords:
        :return:
        '''
        for i,file in enumerate(file_list):
            segment_out_name=os.path.join(segment_out_dir,'segment_{}.txt'.format(i))
            segment_file = open(segment_out_name, 'a', encoding='utf8')
            with open(file, encoding='utf8') as f:
                text = f.readlines()
                for sentence in text:
                    # jieba.cut():参数sentence必须是str(unicode)类型
                    sentence = list(jieba.cut(sentence))
                    sentence_segment = []
                    for word in sentence:
                        if word not in stopwords:
                            sentence_segment.append(word)
                    segment_file.write(" ".join(sentence_segment))
                del text
                f.close()
            segment_file.close()
    
    def segment_lines(file_list,segment_out_dir,stopwords=[]):
        '''
        字词分割，对整个文件内容进行字词分割
        :param file_list:
        :param segment_out_dir:
        :param stopwords:
        :return:
        '''
        for i,file in enumerate(file_list):
            segment_out_name=os.path.join(segment_out_dir,'segment_{}.txt'.format(i))
            with open(file, 'rb') as f:
                document = f.read()
                # document_decode = document.decode('GBK')
                document_cut = jieba.cut(document)
                sentence_segment=[]
                for word in document_cut:
                    if word not in stopwords:
                        sentence_segment.append(word)
                result = ' '.join(sentence_segment)
                result = result.encode('utf-8')
                with open(segment_out_name, 'wb') as f2:
                    f2.write(result)
    
    
    if __name__=='__main__':
    
    
        # 多线程分词
        # jieba.enable_parallel()
        # 加载自定义词典
        user_path = 'data/user_dict.txt'
        jieba.load_userdict(user_path)
    
        stopwords_path='data/stop_words.txt'
        stopwords=getStopwords(stopwords_path)
    
        file_dir='data/source'
        segment_out_dir='data/segment'
        file_list=files_processing.get_files_list(file_dir,postfix='*.txt')
        segment_lines(file_list, segment_out_dir,stopwords)

--------------------

## 3、gensim训练模型 ##

# -*-coding: utf-8 -*-
    """
        @Project: nlp-learning-tutorials
        @File   : word2vec_gensim.py
        @Author : panjq
        @E-mail : pan_jinquan@163.com
        @Date   : 2017-05-11 17:04:35
    """
    
    from gensim.models import word2vec
    import multiprocessing
    
    def train_wordVectors(sentences, embedding_size = 128, window = 5, min_count = 5):
        '''
    
        :param sentences: sentences可以是LineSentence或者PathLineSentences读取的文件对象，也可以是
                        The `sentences` iterable can be simply a list of lists of tokens,如lists=[['我','是','中国','人'],['我','的','家乡','在','广东']]
        :param embedding_size: 词嵌入大小
        :param window: 窗口
        :param min_count:Ignores all words with total frequency lower than this.
        :return: w2vModel
        '''
        w2vModel = word2vec.Word2Vec(sentences, size=embedding_size, window=window, min_count=min_count,workers=multiprocessing.cpu_count())
        return w2vModel
    
    def save_wordVectors(w2vModel,word2vec_path):
        w2vModel.save(word2vec_path)
    
    def load_wordVectors(word2vec_path):
        w2vModel = word2vec.Word2Vec.load(word2vec_path)
        return w2vModel
    
    if __name__=='__main__':
    
        # [1]若只有一个文件，使用LineSentence读取文件
        # segment_path='./data/segment/segment_0.txt'
        # sentences = word2vec.LineSentence(segment_path)
    
        # [1]若存在多文件，使用PathLineSentences读取文件列表
    
        segment_dir='./data/segment'
        sentences = word2vec.PathLineSentences(segment_dir)
    
        # 简单的训练
        model = word2vec.Word2Vec(sentences, hs=1,min_count=1,window=3,size=100)
        print(model.wv.similarity('沙瑞金', '高育良'))
        # print(model.wv.similarity('李达康'.encode('utf-8'), '王大路'.encode('utf-8')))
    
        # 一般训练，设置以下几个参数即可：
        word2vec_path='./models/word2Vec.model'
        model2=train_wordVectors(sentences, embedding_size=128, window=5, min_count=5)
        save_wordVectors(model2,word2vec_path)
        model2=load_wordVectors(word2vec_path)
        print(model2.wv.similarity('沙瑞金', '高育良'))

运行结果：

> 0.968616  
> 0.994922

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2d1eXVlYWxpYW4_size_16_color_FFFFFF_t_70]: /images/20220416/603ecdccd29a475abfdedc4bfb78c458.png
[Github]: https://github.com/PanJinquan/nlp-learning-tutorials/tree/master/word2vec