使用word2vec训练中文词向量

一、文本处理流程

通常我们文本处理流程如下:

• 1 对文本数据进行预处理：数据预处理，包括简繁体转换，去除xml符号，将单词条内容处理成单行数据，word2vec训练原理是基于词共现来训练词之间的语义联系的。不同词条内容需分开训练
• 2 中文分词：中文NLP很重要的一步就是分词了，分词的好坏很大程度影响到后续的模型训练效果
• 3 特征处理：也叫词向量编码，将文本数据转换成计算机能识别的数据，便于计算，通常是转换成数值型数据，常用的编码方式有one hot编码（BOW词袋模型离散表示方式，另外文章我们讲解TF-IDF模型时候会介绍）和基于word2vec等深度学习模型训练得到的低维稠密向量，通常称为word embedding的Distributed representation
• 4 机器学习：词向量进行编码之后，便可以将文本数据转换成数值数据，输入到我们的机器学习模型进行计算训练了
  文本处理流程图如下：
• 文本处理流程

二、训练过程

• 模型：gensim工具包word2vec模型，安装使用简单，训练速度快
• 语料：百度百科500万词条+维基百科30万词条+1.1万条领域数据
• 分词：jieba分词,自定义词典加入行业词,去除停用词
• 硬件：8核16g虚拟机

数据预处理

• 维基百科数据量不够大，百度百科数据量较全面，内容上面百度百科大陆相关的信息比较全面，港澳台和国外相关信息维基百科的内容比较详细，因此训练时将两个语料一起投入训练，形成互补，另外还加入了1.1万公司行业数据

分词

• 1 准备一个停用词词典，训练时要去除停用词的干扰
• 2 分词工具有中科院分词,哈工大的LTP分词,jieba分词，分词效果中科院的分词效果不错，我们直接使用jieba进行分词，使用简单方便，分词速度快
• 3 自定义词典：由于百科数据有很多专属名词,很多比较长,如果直接分词,很大情况下会被切开,这不是我们想要的结果，比如:中国人民解放军，可能会被分成：中国 人民 解放军，jieba虽然有新词发现功能，为保证分词准确度，jieba的作者建议我们还是使用自定义词典。
• 4 自定义词典抽取：我从百度百科抽取了200万的词条，由于自定义词典包含英文单词时会导致jieba对英文单词进行分词，所以需要用正则表达式去除词条中的英文数据，并且去除一些单字词，还有一些词条里面较短词，如"在北京"，这类词会导致分词出现问题，也需要使用正则去除，也有简单粗暴的方法，直接保留3个汉字及以上的中文词条，去除之后得到170万大小的自定义词典
• 5 分词过程

# 多线程分词
# jieba.enable_parallel()
#加载自定义词典
jieba.load_userdict("F:/baike_spider/dict/baike_word_chinese")
#加载停用词
def getStopwords():
    stopwords = []
    with open("stop_words.txt", "r", encoding='utf8') as f:
        lines = f.readlines()
        for line in lines:
            stopwords.append(line.strip())
    return stopwords
#分词
def segment():
    file_nums = 0
    count = 0
    url = base_url + 'processed_data/demo/'
    fileNames = os.listdir(url)
    for file in fileNames:
        logging.info('starting ' + str(file_nums) + 'file word Segmentation')
        segment_file = open(url + file + '_segment', 'a', encoding='utf8')
        with open(url + file, encoding='utf8') as f:
            text = f.readlines()
            for sentence in text:
                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()
        logging.info('finished ' + str(file_nums) + 'file word Segmentation')
        file_nums += 1

• 由于python多线程只能单核多线程，如果是多核的机器并不能有效使用cpu,jieba是使用python写的，所以jieba只支持并行分词，并行分词指的是多进程分词，并且不支持windows
• 我们在linux试过jieba自带的并行分词，开启并行分词之后，jieba后台会自动开启多个进程，并且并行分词需要一次性将训练语料读取到内存并传入jieba.cut(file.read())中才会有效果，如果类似我代码中逐行传入，开启多进程是不起作用的，jieba多进程原理是，jieba后台会自动将语料切分分配给指定进程处理，分好词后再合并
• 我使用的是8核16g内存Linux虚拟机，发现开启jieba并行分词，1g的语料数据，很快就爆内存了
• 单进程的jieba分词，不需要一次性加载所有语料数据，可逐行读取语料，内存占用不大，运行稳定。因此我们将语料数据分成8份，手动开启8个进程分别分词，这样每个进程内存占用都很稳定，比jieba自带的并行分词性能好，20g的数据，开启HMM模式，分词大概花了10个小时

word2vec训练

• 使用gensim工具包的word2vec训练，使用简单速度快，效果比Google 的word2vec效果好，我自己用tensorflow来跑word2vec模型，16g的内存根本跑不动
  gensim word2vec 训练代码如下，非常简答

import logging
import multiprocessing
import os.path
import sys

from gensim.models import Word2Vec
from gensim.models.word2vec import PathLineSentences

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)
    # input_dir, outp1, outp2 = sys.argv[1:4]
    input_dir = '../baike/segment'
    outp1 = 'model/baike.model'
    outp2 = 'model/word2vec_format'
    fileNames = os.listdir(input_dir)
    # 训练模型 输入语料目录 embedding size 256,共现窗口大小10,去除出现次数5以下的词,多线程运行,迭代10次
    model = Word2Vec(PathLineSentences(input_dir),
                     size=256, window=10, min_count=5,
                     workers=multiprocessing.cpu_count(), iter=10)
    model.save(outp1)
    model.wv.save_word2vec_format(outp2, binary=False)

    # 运行命令:输入训练文件目录 python word2vec_model.py data baike.model baike.vector

• 训练时输入运行命令即可训练，指定语料目录，模型保存目录，embedding工具保存目录
• 由于语料太大，不能一次性加载到内存训练，gensim提供了PathLineSentences(input_dir)这个类，会去指定目录依次读取语料数据文件，采用iterator方式加载训练数据到内存，
• 从训练日志可以看到，其过程是先依次读取每个文件，生成总的vocab词典，用来统计count，训练时用来过滤min_count小于我们制定数量的词，vocab总词典生成后，会依次读入语料进行model训练，训练速度非常快。

模型效果

• 之前使用维基百科数据训练得到模型效果还不错，这次采用更大的语料看下效果，目前还在训练，电脑烤机中，先写到这里，有空继续