【NLP】之 Word2vec(将评论转为词向量)_评论文本训练word2vec模型-程序员宅基地

技术标签: 自然语言处理 NLP  

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https://blog.csdn.net/Aibiabcheng/article/details/105778642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

版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
本文链接:https://blog.csdn.net/Aibiabcheng/article/details/105777969

智能推荐

百万TPS高吞吐、秒级低延迟,阿里​搜索离线平台如何实现?-程序员宅基地

文章浏览阅读544次。导读:阿里主搜(淘宝天猫搜索)是搜索离线平台非常重要的一个业务,具有数据量大、一对多的表很多、源表的总数多和热点数据等特性。对于将主搜这种逻辑复杂的大数据量应用迁移到搜索离线平台总是不缺..._高吞吐批处理离线预测服务

matlab演化博弈仿真_使用matlab对动态博弈演化过程进行数值仿真-程序员宅基地

文章浏览阅读1.5k次。https://blog.csdn.net/qq_42830971/article/details/118191131_使用matlab对动态博弈演化过程进行数值仿真

JS的get方法和set方法_js get-程序员宅基地

文章浏览阅读1w次,点赞9次,收藏24次。get 关键字将对象属性与函数进行绑定,当属性被访问时,对应函数被执行。set 关键字将对象属性与函数进行绑定,当属性被赋值时,对应函数被执行。基本用法:let obj = { a: '吕小布', get b() { console.log('一旦调用对象的b属性,就会触发b属性的get方法') }, set b(newVal) { b = newVal console.log('调用了b属性的set方法,方法的值是:' + newVal) }}obj._js get

进程与线程的联系与区别_进程与线程的区别与联系-程序员宅基地

文章浏览阅读983次。一、基本概念_进程与线程的区别与联系

vue实现页面内容禁止选中,仅输入框和文本域可选_禁止输入框文件选中-程序员宅基地

文章浏览阅读7.9k次,点赞6次,收藏8次。上网上翻了翻,共找到两种方式CSS样式控制,只需将下面代码复制到 vue应用下,index.html文件中的body标签上*{ -webkit-touch-callout:none; /*系统默认菜单被禁用*/ -webkit-user-select:none; /*webkit浏览器*/ -khtml-user-select:none; /*早期浏览器..._禁止输入框文件选中

(笔记)微信开发笔记之微信授权_wxservice.checksignature false-程序员宅基地

文章浏览阅读802次。准备工作 申请一个微信测试号 下载一个内网穿透软件用于获取域名 我用的多 wenat软件诺依的开源项目微信授权接口配置位置测试号管理的接口配置中 此处使用内网穿透转换的域名/** * @desc: 门户入口 * @author: cao_wencao * @date: 2019-09-02 17:06 */@Slf4j@AllArgsConstructor@Rest..._wxservice.checksignature false

随便推点

网心云容器魔方在iStoreOS下的多开_容器魔方多开-程序员宅基地

文章浏览阅读7.2k次。建议除了拉取镜像操作,其他的操作都用命令完成。本文核心还是围绕docker的macvlan模式来讲_容器魔方多开

OrCAD Capture CIS打不开的解决方法_unable to launch orcad capture-程序员宅基地

文章浏览阅读2.4w次,点赞8次,收藏13次。这是第二次出现打不开OrCAD Capture CIS的情况,第一次就直接卸载软件然后又重装了软件,真是费时费力。现在又出现了这种情况,上网查找了一下,网上给出了两个解决方法,故记录与此。 第一个解决方法: 打开D:\Cadence\SPB_16.3\tools\capture\capture.ini文件(我的Cadence安装在D盘)。 找到[Window Plac_unable to launch orcad capture

java如何编写出菱形的代码_java编写菱形代码-程序员宅基地

文章浏览阅读6.4k次,点赞2次,收藏9次。菱形代码public class Diamond {public static void main(String[] args) {for (int i = 1; i <= 5; i++) {for (int j = 5; j >= i; j--) {System.out.print(" ");}for (int j = 1; j <= i; j++) {System.out.p..._java编写菱形代码

十分钟理解线性代数的本质_线性代数的本质---写在最前面的话【更新完毕】-程序员宅基地

文章浏览阅读242次。写在最前面的话:为什么要进行学习线性代数?结合学习、工作需要等给出对应的答案。随着机器学习、深度学习的火热,线性代数的重要性逐渐显现出来,如:在进行神经网络训练过程中,往往采用向量的形式,这样做的目的一方面是使得计算更加简洁,与此同时有很多关于矩阵的库能够加速运算。不仅仅在计算机学科,而且物理、电子工程、机械、数学、统计等多个学科中都有线性代数的身影。1)矩阵及线性变换,在深度学习、图像处理、机器..._十分钟理解线性代数

MapBox加载不同风格的地图_mapbox 加载地图-程序员宅基地

文章浏览阅读2.9k次。初始化MapBox地图: var map = new mapboxgl.Map({ container: 'map', zoom: 3, center: [105, 34], //此处更改地图风格 style: 'mapbox://styles/mapbox/satellite-v9', hash: false, });1.基础地图(mapbox://style_mapbox 加载地图

【概率论】五分钟搞懂概率论联合密度函数与概率之间的计算-程序员宅基地

文章浏览阅读4.1w次,点赞19次,收藏43次。【例题】设X和Y的联合密度函数为:f(x,y)={20<x<∞,0<y<∞0其他区域f(x,y)=\left\{\begin{array}{rcl}2 && {0<x<\infty,0<y<\infty}\\0 && 其他区域\end{array}\right.f(x,y)={20​​0<x<∞,0<y<∞其他区域​计算(1)P{X>1,Y<1} (2)P{X<Y}类_联合密度函数

推荐文章

热门文章

相关标签