构建Wiki中文语料词向量模型(python3)

本实例主要介绍的是选取wiki中文语料，并使用python3完成Word2vec模型构建的实践过程，不包含原理部分，旨在一步一步的了解自然语言处理的基本方法和步骤。文章主要包含了开发环境准备、数据的获取、数据的预处理、模型构建和模型测试四大内容，对应的是实现模型构建的五个步骤。

一、 开发环境准备

笔者使用的是anaconda环境下的python 3.10.13。

二、Wiki数据获取

2.1 Wiki中文数据的下载

到wiki官网下载中文语料，下载完成后会得到命名为zhwiki-latest-pages-articles.xml.bz2的文件，大小约为2.56G，里面是一个XML文件。
下载地址如下：https://dumps.wikimedia.org/zhwiki/latest/zhwiki-latest-pages-articles.xml.bz2

2.2 将XML的Wiki数据转换为text格式

（1）python实现

编写python程序将XML文件转换为text格式，使用到了gensim.corpora中的WikiCorpus函数来处理维基百科的数据。python代码实现如下所示，文件命名为1_process.py。

    #将xml的wiki数据转换为text格式

    """
    This script converts XML wiki data to text format.
    """
    
    import logging
    import os.path
    import sys
    
    from gensim.corpora import WikiCorpus
    from nltk.stem import WordNetLemmatizer
    from nltk.tokenize import word_tokenize
    import nltk
    
    def lemmatize(text, tokens, lemmatize, lowercase):
    lemmatizer = WordNetLemmatizer()
    return [lemmatizer.lemmatize(word) for word in word_tokenize(text)]

    if __name__ == '__main__':
        nltk.download('wordnet')
        nltk.download('omw-1.4')
        
        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(outp, 'w', encoding='utf-8')
        wiki =WikiCorpus(inp, tokenizer_func=lemmatize, dictionary=[])#gensim里的维基百科处理类WikiCorpus
        for text in wiki.get_texts():#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
            output.write(space.join(text) + "\n")
            i = i+1
            if (i % 10000 == 0):
                logger.info("Saved "+str(i)+" articles.")
    
        output.close()
        logger.info("Finished Saved "+str(i)+" articles.")

（2）运行程序文件

在代码文件夹下运行如下anaconda prompt命令行，即可得到转换后生成的文件wiki.zh.txt。

    D:\wiki_zh>python 1_process.py zhwiki-latest-pages-articles.xml.bz2 wiki.zh.txt

（3）得到运行结果

由结果可知，95分钟运行完成911348篇文章，得到一个2.38G的txt文件。

三、Wiki数据预处理

3.1 中文繁体替换成简体

Wiki中文语料中包含了很多繁体字，需要转成简体字再进行处理，这里使用到了OpenCC工具进行转换。

（1）源代码

    from opencc import OpenCC
    # 初始化转换器，t2s表示从繁体转简体
    cc = OpenCC('t2s')
    # 打开简体中文文档进行写入
    with open('wiki.zh.simp.txt', 'w', encoding='utf-8') as out_f:
        # 分批读取繁体中文文档
        with open('wiki.zh.txt', 'r', encoding='utf-8') as in_f:
            for line in in_f:
                # 转换为简体中文
                simplified_chinese = cc.convert(line)
                # 写入简体中文
                out_f.write(simplified_chinese)

（2）结果查看

转化后的txt文件有2.38G，用记事本和vscode无法打开，所以采用python自带的IO进行读取,代码如下：

   import codecs,sys
   f = codecs.open('wiki.zh.simp.txt','r',encoding="utf8")
   line = f.readline()
   print(line)

3.2 结巴分词

本例中采用结巴分词对字体简化后的wiki中文语料数据集进行分词，在执行代码前需要安装jieba模块。由于此语料已经去除了标点符号，因此在分词程序中无需进行清洗操作，可直接分词。若是自己采集的数据还需进行标点符号去除和去除停用词的操作。
代码如下：

    #逐行读取文件数据进行jieba分词

    import jieba
    import jieba.analyse
    import jieba.posseg as pseg #引入词性标注接口 
    import codecs,sys
    
    
    if __name__ == '__main__':
        f = codecs.open('wiki.zh.simp.txt', 'r', encoding='utf8')
        target = codecs.open('wiki.zh.simp.seg.txt', 'w', encoding='utf8')
        print ('open files.')

        lineNum = 1
        line = f.readline()
        while line:
            print ('---processing ',lineNum,' article---')
            seg_list = jieba.cut(line,cut_all=False)
            line_seg = ' '.join(seg_list)
            target.writelines(line_seg)
            lineNum = lineNum + 1
            line = f.readline()
    
        print ("well done.")
        f.close()
        target.close()

代码执行完成后得到一个3.01G大小的文档wiki.zh.simp.seg.txt。分词结果截图如下所示：

四、Word2Vec模型训练

（1）word2vec模型实现

分好词的文档即可进行word2vec词向量模型的训练了。文档较大，需要用内存为8G或16G的电脑来跑。具体Python代码实现如下所示，文件命名为3_train_word2vec_model.py。

    #使用gensim word2vec训练脚本获取词向量
    
    import warnings
    warnings.filterwarnings(action='ignore', category=UserWarning, module='gensim')# 忽略警告
    
    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',level=logging.INFO)
        logger.info("running %s" % ' '.join(sys.argv))
    
        # inp为输入语料, outp1 为输出模型, outp2为原始c版本word2vec的vector格式的模型
        
        inp =  'wiki.zh.simp.seg.only_chinese.txt'
        outp1 = 'wiki.zh.text.model'
        outp2 = 'wiki.zh.text.vector'
    
        # 训练skip-gram模型
        model = Word2Vec(LineSentence(inp),  vector_size=400, window=5, min_count=5,
                         workers=multiprocessing.cpu_count())
    
        # 保存模型
        model.save(outp1)
        model.wv.save_word2vec_format(outp2, binary=False)

（2）运行结果查看

    2023-12-21 22:18:08,959: INFO: EPOCH 4 - PROGRESS: at 97.67% examples, 1161152 words/s, in_qsize 0, out_qsize 0
    2023-12-21 22:18:09,949: INFO: EPOCH 4 - PROGRESS: at 98.19% examples, 1161166 words/s, in_qsize 0, out_qsize 0
    2023-12-21 22:18:10,954: INFO: EPOCH 4 - PROGRESS: at 98.62% examples, 1161167 words/s, in_qsize 1, out_qsize 1
    2023-12-21 22:18:11,969: INFO: EPOCH 4 - PROGRESS: at 99.08% examples, 1161201 words/s, in_qsize 0, out_qsize 2
    2023-12-21 22:18:12,985: INFO: EPOCH 4 - PROGRESS: at 99.57% examples, 1161201 words/s, in_qsize 0, out_qsize 2
    2023-12-21 22:18:13,829: INFO: EPOCH 4: training on 341900989 raw words (304853155 effective words) took 262.5s, 1161367 effective words/s
    2023-12-21 22:18:13,829: INFO: Word2Vec lifecycle event {'msg': 'training on 1709504945 raw words (1524238644 effective words) took 1325.4s, 1150013 effective words/s', 'datetime': '2023-12-21T22:18:13.829158', 'gensim': '4.3.0', 'python': '3.10.13 | packaged by Anaconda, Inc. | (main, Sep 11 2023, 13:24:38) [MSC v.1916 64 bit (AMD64)]', 'platform': 'Windows-10-10.0.22000-SP0', 'event': 'train'}
    2023-12-21 22:18:13,829: INFO: Word2Vec lifecycle event {'params': 'Word2Vec<vocab=828204, vector_size=400, alpha=0.025>', 'datetime': '2023-12-21T22:18:13.829158', 'gensim': '4.3.0', 'python': '3.10.13 | packaged by Anaconda, Inc. | (main, Sep 11 2023, 13:24:38) [MSC v.1916 64 bit (AMD64)]', 'platform': 'Windows-10-10.0.22000-SP0', 'event': 'created'}
    2023-12-21 22:18:13,829: INFO: Word2Vec lifecycle event {'fname_or_handle': 'wiki.zh.text.model', 'separately': 'None', 'sep_limit': 10485760, 'ignore': frozenset(), 'datetime': '2023-12-21T22:18:13.829158', 'gensim': '4.3.0', 'python': '3.10.13 | packaged by Anaconda, Inc. | (main, Sep 11 2023, 13:24:38) [MSC v.1916 64 bit (AMD64)]', 'platform': 'Windows-10-10.0.22000-SP0', 'event': 'saving'}
    2023-12-21 22:18:13,841: INFO: storing np array 'vectors' to wiki.zh.text.model.wv.vectors.npy
    2023-12-21 22:18:14,584: INFO: storing np array 'syn1neg' to wiki.zh.text.model.syn1neg.npy
    2023-12-21 22:18:15,410: INFO: not storing attribute cum_table
    2023-12-21 22:18:15,948: INFO: saved wiki.zh.text.model
    2023-12-21 22:18:16,616: INFO: storing 828204x400 projection weights into wiki.zh.text.vector

摘取了最后几行代码运行信息，代码运行完成后得到四个文件，其中wiki.zh.text.model是建好的模型，wiki.zh.text.vector是词向量。

五、模型测试

模型训练好后，测试模型的结果。Python代码如下，文件名为4_model_match.py。

    #测试训练好的模型
    
    import warnings
    warnings.filterwarnings(action='ignore', category=UserWarning, module='gensim')# 忽略警告
    import sys  
    import gensim
    
    
    if __name__ == '__main__':
        model = gensim.models.Word2Vec.load('wiki.zh.text.model')

        word = model.wv.most_similar(u"足球")
        for t in word:
            print(t[0],t[1])
    
        '''
        word = model.most_similar(positive=[u'皇上',u'国王'],negative=[u'皇后'])
        for t in word:
            print t[0],t[1]
    
    
        print model.doesnt_match(u'太后 妃子 贵人 贵妃 才人'.split())
        print model.similarity(u'书籍',u'书本')
        print model.similarity(u'逛街',u'书本')
        '''

运行文件得到结果，即可查看给定词的相关词，结果如图。

至此，使用python对中文wiki语料的词向量建模就全部结束了，wiki.zh.text.vector中是每个词对应的词向量，可以在此基础上作文本特征的提取以及分类。所有代码都已上传至本人GitHub中，欢迎指教！本文是在https://github.com/AimeeLee77/wiki_zh_word2vec的基础上加以修改的（原文用的是python 2.7)，在此向原作者表示感谢！