首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >windows下使用word2vec训练维基百科中文语料全攻略!(一)

windows下使用word2vec训练维基百科中文语料全攻略!(一)

作者头像
石晓文
发布2018-04-11 15:18:11
7860
发布2018-04-11 15:18:11
举报
文章被收录于专栏:小小挖掘机小小挖掘机

训练一个聊天机器人的很重要的一步是词向量训练,无论是生成式聊天机器人还是检索式聊天机器人,都需要将文字转化为词向量,时下最火的词向量训练模型是word2vec,所以,今天小编文文带你使用维基百科训练词向量。

1、训练数据下载

我们使用维基百科训练词向量,维基百科数据的下载地址为:https://dumps.wikimedia.org/zhwiki/latest/zhwiki-latest-pages-articles.xml.bz2。 下载后无需解压,中文维基百科的数据比较小,整个xml的压缩文件大约才1G

2、安装依赖库

下载数据之后,网上提供了现成的程序对xml进行解压,在网上找到了一个解析xml的py文件,命名为process_wiki.py。不过还需要对其进行修改, 将原有的output = open(outp, 'w'),修改为output = open(outp, 'w',encoding='utf-8') 否则会报下图的错误:

在放完整的代码之前,我们需要安装一些依赖库,有numpy、scipy以及gensim,安装gensim依赖于scipy,安装scipy依赖于numpy。我们直接用pip安装numpy,在windows命令行下使用命令: pip install numpy 成功安装numpy之后安装scipy,仍然使用命令pip install scipy,此时却发现报错了,其实,一般都会报错,正确的打开方式是去网站下载whl,再进行安装,去如下的网址下载scipy包: http://www.lfd.uci.edu/~gohlke/pythonlibs/ 找到相应版本的:

下载好之后使用pip命令安装即可: pip install scipy-0.19.0-cp35-cp35m-win_amd64.whl 接下来使用命令 pip install gensim 即可。

3、将xml的wiki数据转换为text格式

使用下面的代码对数据进行处理,命名为process_wiki.py,这个代码是python2和python3通用的:

from __future__ import print_function

import logging
import os.path
import six
import sys

from gensim.corpora import WikiCorpus

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) != 3:
        print("Using: python process_wiki.py enwiki.xxx.xml.bz2 wiki.en.text")
        sys.exit(1)
    inp, outp = sys.argv[1:3]
    space = " "
    i = 0

    output = open(outp, 'w',encoding='utf-8')
    wiki = WikiCorpus(inp, lemmatize=False, dictionary={})
    for text in wiki.get_texts():
        if six.PY3:
            output.write(b' '.join(text).decode('utf-8') + '\n')
        # ###another method###
        #    output.write(
        #            space.join(map(lambda x:x.decode("utf-8"), text)) + '\n')
        else:
            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")

使用如下的命令执行代码: python process_wiki.py zhwiki-latest-pages-articles.xml.bz2 wiki.zh.text 不过发现报错了:

这是因为我们的numpy版本不对,所以我们首先要使用pip卸载掉我们当前的numpy,然后去网站:http://www.lfd.uci.edu/~gohlke/pythonlibs/

下载对应的numpy版本并安装即可:

随后使用刚才的命令执行,发现执行成功:

好啦,今天的实验就先做到这里,明天咱们继续!

想了解更多? 那就赶紧来关注我们

本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2017-06-14,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 小小挖掘机 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 1、训练数据下载
  • 2、安装依赖库
  • 3、将xml的wiki数据转换为text格式
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档