第六章（1.2）自然语言处理实战——打造属于自己的中文word2

一、环境

• python3.6安装
• anaconda安装
• jieba安装
• gensim安装
• IDEA 编辑器安装

二、实战演练

• 训练语料source.txt

9月12日随着颁奖典礼的结束,我院获得了商委系统运动会系列活动之一——足球比赛的季军,本次比赛立时十天,十二只球队分成两个小组比赛。我院代表队以小组第二名的成绩出现,在和另一小组第二名石油公司争夺三四名的比赛中,教师们超水平发挥，以五比一的比分大胜对手，获得第三名的优异成绩..
本次比赛由商委主办,我院协办，在我院漂亮的足球场地举行。我院代表队领队孙增春、教练员张鹏，十八名队员都是由学院各部门的老师组成,。并且是在不耽误工作的情况下参加比赛的，商管系的张援越老师已经是年过四十的副教授,在场上依然是生龙活虎,不缺席每一场比赛,为球队的胜利作出了很大的贡献；体育部的梁浩老师, ,这次比赛担任球队的队长,每场比赛都冲锋在前，起到了表率作用；招办的的张国权老师一直是带伤比赛为球队立下战功。体育部的孙增春主任每常比赛亲临现场,给队员打气助威,为队员们增加了信心.
学院领导对比赛非常重视，王院长几次到场为队员们加油助威，许韵苓院助、许艳红主任也给予了大力的支持,一切为了比赛开绿灯,为队员们解决了很多后顾之忧。足球比赛第三名的成绩，使我院在商务系统运动会总成绩的排名又向前提升了一块，同时也充分展示了学院在体育工作方面的优良成绩。
体育教学部

• 需要运用到的包

#!/bin/bash
# -*-coding=utf-8-*-
import jieba
import re
from gensim.models import word2vec
import multiprocessing
import gensim

• 使用jieba切词，并过滤文本中的标点符号，生成切词文件

def segment_text(source_corpus, train_corpus, coding, punctuation):
    '''
    切词,去除标点符号
    :param source_corpus: 原始语料
    :param train_corpus: 切词语料
    :param coding: 文件编码
    :param punctuation: 去除的标点符号
    :return:
    '''
    with open(source_corpus, 'r', encoding=coding) as f, open(train_corpus, 'w', encoding=coding) as w:
        for line in f:
            # 去除标点符号
            line = re.sub('[{0}]+'.format(punctuation), '', line.strip())
            # 切词
            words = jieba.cut(line)
            w.write(' '.join(words))

• 设置需要过滤的标点符号（注意：这里也可以过滤特殊字符）

    # 严格限制标点符号
    strict_punctuation = '。，、＇：∶；?‘’“”〝〞ˆˇ﹕︰﹔﹖﹑·¨….¸;！´？！～—ˉ｜‖＂〃｀@﹫¡¿﹏﹋﹌︴々﹟#﹩$﹠&﹪%*﹡﹢﹦﹤‐￣¯―﹨ˆ˜﹍﹎+=<­­＿_-\ˇ~﹉﹊（）〈〉‹›﹛﹜『』〖〗［］《》〔〕{}「」【】︵︷︿︹︽_﹁﹃︻︶︸﹀︺︾ˉ﹂﹄︼'
    # 简单限制标点符号
    simple_punctuation = '’!"#$%&\'()*+,-./:;<=>?@[\\]^_`{|}~'
    # 去除标点符号
    punctuation = simple_punctuation + strict_punctuation

• 设置文件编码，原始语料，切词语料，输出模型文件，模型参数

    # 文件编码
    coding = 'utf-8'
    # 原始语料
    source_corpus_text = 'source.txt'

    # 是每个词的向量维度
    size = 400
    # 是词向量训练时的上下文扫描窗口大小，窗口为5就是考虑前5个词和后5个词
    window = 5
    # 设置最低频率，默认是5，如果一个词语在文档中出现的次数小于5，那么就会丢弃
    min_count = 1
    # 是训练的进程数，默认是当前运行机器的处理器核数。
    workers = multiprocessing.cpu_count()
    # 切词语料
    train_corpus_text = 'words.txt'
    # w2v模型文件
    model_text = 'w2v_size_{0}.model'.format(size)

• 切词

 # 切词 @TODO 切词后注释
 segment_text(source_corpus_text, train_corpus_text, coding, punctuation)

• 训练word2vector模型

 # w2v训练模型 @TODO 训练后注释
 sentences = word2vec.Text8Corpus(train_corpus_text)
 model = word2vec.Word2Vec(sentences=sentences, size=size, window=window, min_count=min_count, workers=workers)
 model.save(model_text)

• 加载训练模型，打印词向量（注意：词需要在文本中出现过）

 model = gensim.models.Word2Vec.load(model_text)
 print(model['运动会'])

[  5.77729312e-04   6.29229005e-04   3.28074140e-03  -3.12230410e-03
   3.58627993e-03  -1.17090892e-03  -1.19168102e-03   4.79813945e-03
   2.53833435e-03  -4.91693895e-03   4.33469191e-04   4.36443230e-03
   2.68062111e-03  -4.80209151e-03  -1.00263488e-03  -6.90411602e-04
   1.44691532e-03   4.22825292e-03   2.65496224e-03   3.37875634e-03
   9.92664369e-04  -5.25792711e-04   4.22688853e-03   3.42451921e-03
   4.13528131e-03  -9.61833517e-04  -3.25134676e-03  -4.56051296e-03
  -1.79338397e-03  -1.44107558e-03  -5.76348466e-05   3.97552829e-03
   4.96467901e-03   2.99101393e-03   4.31695720e-03   1.33437128e-03
  -2.85419100e-03   4.18939814e-03   3.87660973e-03   3.83673748e-03
   4.17304545e-04  -1.07788993e-03  -1.12797145e-03  -4.58187424e-03
  -3.77954915e-03  -3.86176654e-03   1.82412425e-03   3.85237101e-04
   1.85760713e-04  -2.44700629e-03  -2.03684112e-03   1.23822887e-04
  -4.58160602e-03   3.57383513e-04   2.92601017e-03  -1.15508388e-03
  -2.67226575e-03  -3.23730893e-03   7.30269181e-04   2.51975632e-03
  -7.53291533e-04  -4.10789764e-03   6.79552031e-04  -3.64084938e-03
  -3.41395871e-03   3.35737667e-03  -2.09669583e-03  -2.52196239e-03
   2.53840582e-03   1.40796602e-03   2.21067248e-03   2.54736491e-03
  -4.86714346e-03   3.46355117e-03   3.78919905e-03  -2.19983887e-03
  -1.70295069e-03   3.36180092e-03   2.82198866e-03   9.91262612e-04
   2.30853050e-03  -2.77805189e-03   4.64708824e-03   3.24234832e-03
   2.93854857e-03   8.39327520e-04   1.29010330e-03   2.45986215e-04
  -3.73935048e-03  -3.95879382e-03  -5.32814476e-04  -5.52327721e-04
   8.64025322e-04   8.57468927e-04  -3.78349214e-03  -2.84406659e-03
  -2.61127157e-03   3.54953948e-03   3.86928394e-03   2.82278913e-03]

• 计算一个词的最近似词（注意：词需要在文本中出现过）

  # 计算一个词的最近似的词，倒序
  similar_words = model.most_similar('球队')
  for word in similar_words:
      print(word[0], word[1])

情况 0.2297670692205429
副教授 0.1899721473455429
梁浩 0.18567171692848206
系列 0.18228858709335327
许韵苓 0.16966953873634338
教练员 0.16140426695346832
和 0.15026438236236572
几次 0.14221936464309692
不 0.13802526891231537
了 0.13522613048553467

• 计算两词之间的余弦相似度（注意：词需要在文本中出现过）

  sim1 = model.similarity('运动会', '总成绩')
  sim2 = model.similarity('排名', '运动会')
  sim3 = model.similarity('展示', '学院')
  sim4 = model.similarity('学院', '体育')
  print(sim1)
  print(sim2)
  print(sim3)
  print(sim4)

-0.0917341372671
0.0526127512661
0.081955751928
-0.139067511821
0.578819521306
-0.0909827364054

• 计算两个集合之间的余弦似度（注意：词需要在文本中出现过）

  list1 = ['运动会', '总成绩']
  list2 = ['排名', '运动会']
  list3 = ['学院', '体育']
  list_sim1 = model.n_similarity(list1, list2)
  print(list_sim1)
  list_sim2 = model.n_similarity(list1, list3)
  print(list_sim2)

• 选出集合中不同类的词语（注意：词需要在文本中出现过）

  list = ['队员', '足球比赛', '小组', '代表队']
  print(model.doesnt_match(list))
  list = ['队员', '足球比赛', '小组', '西瓜']
  print(model.doesnt_match(list))

代表队
小组

• 运行python word2vector.py

三 、实战代码

• word2vector.py

#!/bin/bash
# -*-coding=utf-8-*-
import jieba
import re
from gensim.models import word2vec
import multiprocessing
import gensim


def segment_text(source_corpus, train_corpus, coding, punctuation):
    '''
    切词,去除标点符号
    :param source_corpus: 原始语料
    :param train_corpus: 切词语料
    :param coding: 文件编码
    :param punctuation: 去除的标点符号
    :return:
    '''
    with open(source_corpus, 'r', encoding=coding) as f, open(train_corpus, 'w', encoding=coding) as w:
        for line in f:
            # 去除标点符号
            line = re.sub('[{0}]+'.format(punctuation), '', line.strip())
            # 切词
            words = jieba.cut(line)
            w.write(' '.join(words))


if __name__ == '__main__':
    # 严格限制标点符号
    strict_punctuation = '。，、＇：∶；?‘’“”〝〞ˆˇ﹕︰﹔﹖﹑·¨….¸;！´？！～—ˉ｜‖＂〃｀@﹫¡¿﹏﹋﹌︴々﹟#﹩$﹠&﹪%*﹡﹢﹦﹤‐￣¯―﹨ˆ˜﹍﹎+=<­­＿_-\ˇ~﹉﹊（）〈〉‹›﹛﹜『』〖〗［］《》〔〕{}「」【】︵︷︿︹︽_﹁﹃︻︶︸﹀︺︾ˉ﹂﹄︼'
    # 简单限制标点符号
    simple_punctuation = '’!"#$%&\'()*+,-./:;<=>?@[\\]^_`{|}~'
    # 去除标点符号
    punctuation = simple_punctuation + strict_punctuation

    # 文件编码
    coding = 'utf-8'
    # 原始语料
    source_corpus_text = 'source.txt'

    # 是每个词的向量维度
    size = 400
    # 是词向量训练时的上下文扫描窗口大小，窗口为5就是考虑前5个词和后5个词
    window = 5
    # 设置最低频率，默认是5，如果一个词语在文档中出现的次数小于5，那么就会丢弃
    min_count = 1
    # 是训练的进程数，默认是当前运行机器的处理器核数。
    workers = multiprocessing.cpu_count()
    # 切词语料
    train_corpus_text = 'words.txt'
    # w2v模型文件
    model_text = 'w2v_size_{0}.model'.format(size)

    # 切词 @TODO 切词后注释
    # segment_text(source_corpus_text, train_corpus_text, coding, punctuation)

    # w2v训练模型 @TODO 训练后注释
    sentences = word2vec.Text8Corpus(train_corpus_text)
    model = word2vec.Word2Vec(sentences=sentences, size=size, window=window, min_count=min_count, workers=workers)
    model.save(model_text)

    # 加载模型
    model = gensim.models.Word2Vec.load(model_text)
    # print(model['运动会'])

    # 计算一个词的最近似的词，倒序
    # similar_words = model.most_similar('球队')
    # for word in similar_words:
    #     print(word[0], word[1])

    # 计算两词之间的余弦相似度
    # sim1 = model.similarity('运动会', '总成绩')
    # sim2 = model.similarity('排名', '运动会')
    # sim3 = model.similarity('展示', '学院')
    # sim4 = model.similarity('学院', '体育')
    # print(sim1)
    # print(sim2)
    # print(sim3)
    # print(sim4)

    # 计算两个集合之间的余弦似度
    list1 = ['运动会', '总成绩']
    list2 = ['排名', '运动会']
    list3 = ['学院', '体育']
    list_sim1 = model.n_similarity(list1, list2)
    print(list_sim1)
    list_sim2 = model.n_similarity(list1, list3)
    print(list_sim2)

    # 选出集合中不同类的词语
    list = ['队员', '足球比赛', '小组', '代表队']
    print(model.doesnt_match(list))
    list = ['队员', '足球比赛', '小组', '西瓜']
    print(model.doesnt_match(list))

四、注意

• 若词未在文本中出现，会报错

Traceback (most recent call last):
  File "E:/项目/test/word2vec.py", line 64, in <module>
    print(model['一周'])
  File "D:\software\work\Anaconda3\lib\site-packages\gensim\models\word2vec.py", line 1281, in __getitem__
    return self.wv.__getitem__(words)
  File "D:\software\work\Anaconda3\lib\site-packages\gensim\models\keyedvectors.py", line 589, in __getitem__
    return self.word_vec(words)
  File "D:\software\work\Anaconda3\lib\site-packages\gensim\models\keyedvectors.py", line 288, in word_vec
    raise KeyError("word '%s' not in vocabulary" % word)
KeyError: "word '一周' not in vocabulary"

• 若词出现在文本中，但加载使用模型时仍然报错，可能是训练模型的参数min_count设置过大

  # 设置最低频率，默认是5，如果一个词语在文档中出现的次数小于5，那么就会丢弃
  min_count = 1

关注我的技术公众号，每天推送优质文章
关注我的音乐公众号，工作之余放松自己
微信扫一扫下方二维码即可关注：

音乐公众号
技术公众号