用gensim學習word2vec

劉建平Pinard發表於2017-08-03

    在word2vec原理篇中,我們對word2vec的兩種模型CBOW和Skip-Gram,以及兩種解法Hierarchical Softmax和Negative Sampling做了總結。這裡我們就從實踐的角度,使用gensim來學習word2vec。

1. gensim安裝與概述

    gensim是一個很好用的Python NLP的包,不光可以用於使用word2vec,還有很多其他的API可以用。它封裝了google的C語言版的word2vec。當然我們可以可以直接使用C語言版的word2vec來學習,但是個人認為沒有gensim的python版來的方便。

    安裝gensim是很容易的,使用"pip install gensim"即可。但是需要注意的是gensim對numpy的版本有要求,所以安裝過程中可能會偷偷的升級你的numpy版本。而windows版的numpy直接裝或者升級是有問題的。此時我們需要解除安裝numpy,並重新下載帶mkl的符合gensim版本要求的numpy,下載地址在此:http://www.lfd.uci.edu/~gohlke/pythonlibs/#scipy。安裝方法和scikit-learn 和pandas 基於windows單機機器學習環境的搭建這一篇第4步的方法一樣。

    安裝成功的標誌是你可以在程式碼裡做下面的import而不出錯:

from gensim.models import word2vec

2. gensim word2vec API概述

    在gensim中,word2vec 相關的API都在包gensim.models.word2vec中。和演算法有關的引數都在類gensim.models.word2vec.Word2Vec中。演算法需要注意的引數有:

    1) sentences: 我們要分析的語料,可以是一個列表,或者從檔案中遍歷讀出。後面我們會有從檔案讀出的例子。

    2) size: 詞向量的維度,預設值是100。這個維度的取值一般與我們的語料的大小相關,如果是不大的語料,比如小於100M的文字語料,則使用預設值一般就可以了。如果是超大的語料,建議增大維度。

    3) window:即詞向量上下文最大距離,這個引數在我們的演算法原理篇中標記為$c$,window越大,則和某一詞較遠的詞也會產生上下文關係。預設值為5。在實際使用中,可以根據實際的需求來動態調整這個window的大小。如果是小語料則這個值可以設的更小。對於一般的語料這個值推薦在[5,10]之間。

    4) sg: 即我們的word2vec兩個模型的選擇了。如果是0, 則是CBOW模型,是1則是Skip-Gram模型,預設是0即CBOW模型。

    5) hs: 即我們的word2vec兩個解法的選擇了,如果是0, 則是Negative Sampling,是1的話並且負取樣個數negative大於0, 則是Hierarchical Softmax。預設是0即Negative Sampling。

    6) negative:即使用Negative Sampling時負取樣的個數,預設是5。推薦在[3,10]之間。這個引數在我們的演算法原理篇中標記為neg。

    7) cbow_mean: 僅用於CBOW在做投影的時候,為0,則演算法中的$x_w$為上下文的詞向量之和,為1則為上下文的詞向量的平均值。在我們的原理篇中,是按照詞向量的平均值來描述的。個人比較喜歡用平均值來表示$x_w$,預設值也是1,不推薦修改預設值。

    8) min_count:需要計算詞向量的最小詞頻。這個值可以去掉一些很生僻的低頻詞,預設是5。如果是小語料,可以調低這個值。

    9) iter: 隨機梯度下降法中迭代的最大次數,預設是5。對於大語料,可以增大這個值。

    10) alpha: 在隨機梯度下降法中迭代的初始步長。演算法原理篇中標記為$\eta$,預設是0.025。

    11) min_alpha: 由於演算法支援在迭代的過程中逐漸減小步長,min_alpha給出了最小的迭代步長值。隨機梯度下降中每輪的迭代步長可以由iter,alpha, min_alpha一起得出。這部分由於不是word2vec演算法的核心內容,因此在原理篇我們沒有提到。對於大語料,需要對alpha, min_alpha,iter一起調參,來選擇合適的三個值。

    以上就是gensim word2vec的主要的引數,下面我們用一個實際的例子來學習word2vec。

3. gensim  word2vec實戰

    我選擇的《人民的名義》的小說原文作為語料,語料原文在這裡

    完整程式碼參見我的github: https://github.com/ljpzzz/machinelearning/blob/master/natural-language-processing/word2vec.ipynb

    拿到了原文,我們首先要進行分詞,這裡使用結巴分詞完成。在中文文字挖掘預處理流程總結中,我們已經對分詞的原理和實踐做了總結。因此,這裡直接給出分詞的程式碼,分詞的結果,我們放到另一個檔案中。程式碼如下, 加入下面的一串人名是為了結巴分詞能更準確的把人名分出來。

# -*- coding: utf-8 -*-

import jieba
import jieba.analyse

jieba.suggest_freq('沙瑞金', True)
jieba.suggest_freq('田國富', True)
jieba.suggest_freq('高育良', True)
jieba.suggest_freq('侯亮平', True)
jieba.suggest_freq('鍾小艾', True)
jieba.suggest_freq('陳岩石', True)
jieba.suggest_freq('歐陽菁', True)
jieba.suggest_freq('易學習', True)
jieba.suggest_freq('王大路', True)
jieba.suggest_freq('蔡成功', True)
jieba.suggest_freq('孫連城', True)
jieba.suggest_freq('季昌明', True)
jieba.suggest_freq('丁義珍', True)
jieba.suggest_freq('鄭西坡', True)
jieba.suggest_freq('趙東來', True)
jieba.suggest_freq('高小琴', True)
jieba.suggest_freq('趙瑞龍', True)
jieba.suggest_freq('林華華', True)
jieba.suggest_freq('陸亦可', True)
jieba.suggest_freq('劉新建', True)
jieba.suggest_freq('劉慶祝', True)

with open('./in_the_name_of_people.txt') as f:
    document = f.read()
    
    #document_decode = document.decode('GBK')
    
    document_cut = jieba.cut(document)
    #print  ' '.join(jieba_cut)  //如果列印結果,則分詞效果消失,後面的result無法顯示
    result = ' '.join(document_cut)
    result = result.encode('utf-8')
    with open('./in_the_name_of_people_segment.txt', 'w') as f2:
        f2.write(result)
f.close()
f2.close()

    拿到了分詞後的檔案,在一般的NLP處理中,會需要去停用詞。由於word2vec的演算法依賴於上下文,而上下文有可能就是停詞。因此對於word2vec,我們可以不用去停詞。

    現在我們可以直接讀分詞後的檔案到記憶體。這裡使用了word2vec提供的LineSentence類來讀檔案,然後套用word2vec的模型。這裡只是一個示例,因此省去了調參的步驟,實際使用的時候,你可能需要對我們上面提到一些引數進行調參。

# import modules & set up logging
import logging
import os
from gensim.models import word2vec

logging.basicConfig(format='%(asctime)s : %(levelname)s : %(message)s', level=logging.INFO)

sentences = word2vec.LineSentence('./in_the_name_of_people_segment.txt') 

model = word2vec.Word2Vec(sentences, hs=1,min_count=1,window=3,size=100)  

    模型出來了,我們可以用來做什麼呢?這裡給出三個常用的應用。

    第一個是最常用的,找出某一個詞向量最相近的詞集合,程式碼如下:

req_count = 5
for key in model.wv.similar_by_word('沙瑞金'.decode('utf-8'), topn =100):
    if len(key[0])==3:
        req_count -= 1
        print key[0], key[1]
        if req_count == 0:
            break;

    我們看看沙書記最相近的一些3個字的詞(主要是人名)如下:

高育良 0.967257142067
李達康 0.959131598473
田國富 0.953414440155
易學習 0.943500876427
祁同偉 0.942932963371

    第二個應用是看兩個詞向量的相近程度,這裡給出了書中兩組人的相似程度:

print model.wv.similarity('沙瑞金'.decode('utf-8'), '高育良'.decode('utf-8'))
print model.wv.similarity('李達康'.decode('utf-8'), '王大路'.decode('utf-8'))

    輸出如下:

0.961137455325
0.935589365706

    第三個應用是找出不同類的詞,這裡給出了人物分類題:

print model.wv.doesnt_match(u"沙瑞金 高育良 李達康 劉慶祝".split())

      word2vec也完成的很好,輸出為"劉慶祝"。

 

    以上就是用gensim學習word2vec實戰的所有內容,希望對大家有所幫助。

 

(歡迎轉載,轉載請註明出處。歡迎溝通交流: liujianping-ok@163.com) 

相關文章