NLP实战 使用gensim与自己语料训练word2vec fasttext模型词向量及使用

2021-03-08 20:35:39 浏览数 (2)

toc

1. 背景

本博客主要记录使用自己的语料库与Python gensim库训练word2vec fastext等模型获得相关词向量，以及训练好的词向量模型基本用法。

pip库准备

代码语言：txt复制
pip3 install jieba gensim lxml

2. 语料下载与处理

2.1 下载语料库

常用的一些中文语料库有：

互联网语料库(SogouT)

中文文本分类数据集THUCNews

李荣陆英文文本分类语料

谭松波中文文本分类语料

2.2 jieba分词

代码语言：txt复制
import jieba
import io
# 加载自己的自己的词库 若无可省略
jieba.load_userdict("words.txt")

with io.open('news.txt','r',encoding='utf-8') as content:
    for line in content:
        seg_list = jieba.cut(line)
        with io.open('seg.txt', 'a', encoding='utf-8') as output:
            # lower case
            output.write(' '.join(seg_list.lower()))

2.3 字符替换处理

如使用sed去掉 " 字符

代码语言：txt复制
sed -i 's/"//g' seg.txt

去掉换行符

代码语言：txt复制
echo $(seg.txt) > seg1.txt

3. 训练模型

3.1 训练word2vec模型

代码语言：txt复制
num_features = 300    # Word vector dimensionality
min_word_count = 10   # Minimum word count
num_workers = 16       # Number of threads to run in parallel
context = 10          # Context window size
downsampling = 1e-3   # Downsample setting for frequent words
sentences = word2vec.Text8Corpus("seg201708.txt")

model = word2vec.Word2Vec(sentences, workers=num_workers, 
        size=num_features, min_count = min_word_count, 
        window = context, sg = 1, sample = downsampling)
model.init_sims(replace=True)
# 保存模型
model.save("save_model")

# 可以在加载模型之后使用另外的语料库来进一步训练模型
# model = gensim.models.Word2Vec.load('save_model')
# model.train(more_sentences)

# load model
model = Word2Vec.load('save_model')

参数说明：

sentences：可以是一个·ist，对于大语料集，建议使用BrownCorpus,Text8Corpus或ineSentence构建。 sg： 用于设置训练算法，默认为0，对应CBOW算法；sg=1则采用skip-gram算法。 size：是指特征向量的维度，默认为100。大的size需要更多的训练数据,但是效果会更好. 推荐值为几十到几百。 window：表示当前词与预测词在一个句子中的最大距离是多少 alpha: 是学习速率 seed：用于随机数发生器。与初始化词向量有关。 min_count: 可以对字典做截断. 词频少于min_count次数的单词会被丢弃掉, 默认值为5 max_vocab_size: 设置词向量构建期间的RAM限制。如果所有独立单词个数超过这个，则就消除掉其中最不频繁的一个。每一千万个单词需要大约1GB的RAM。设置成None则没有限制。 sample: 高频词汇的随机降采样的配置阈值，默认为1e-3，范围是(0,1e-5) workers参数控制训练的并行数。 hs: 如果为1则会采用hierarchica·softmax技巧。如果设置为0（defau·t），则negative sampling会被使用。 negative: 如果>0,则会采用negativesamp·ing，用于设置多少个noise words cbow_mean: 如果为0，则采用上下文词向量的和，如果为1（defau·t）则采用均值。只有使用CBOW的时候才起作用。 hashfxn： hash函数来初始化权重。默认使用python的hash函数 iter： 迭代次数，默认为5 trim_rule： 用于设置词汇表的整理规则，指定那些单词要留下，哪些要被删除。可以设置为None（min_count会被使用）或者一个接受()并返回RU·E_DISCARD,uti·s.RU·E_KEEP或者uti·s.RU·E_DEFAU·T的 sorted_vocab： 如果为1（defau·t），则在分配word index 的时候会先对单词基于频率降序排序。 batch_words：每一批的传递给线程的单词的数量，默认为10000

3.2 训练fasttext模型

FastText背后的主要原理是，单词的词法结构会携带有关单词含义的重要信息，而传统的单词嵌入并不会考虑这些信息，传统的单词嵌入会为每个单词训练一个唯一的单词嵌入。这对于形态丰富的语言（德语，土耳其语）尤其重要，在这种语言中，单个单词可能具有大量的形态形式，每种形态形式很少出现，因此很难训练良好的词嵌入。

FastText尝试通过将每个单词视为其子单词的集合来解决此问题。为了简单和独立于语言，将子词视为该词的字符n-gram（n元）。一个单词的向量被简单地认为是其组成特征图的所有向量之和。

与原始Word2Vec相比，FastText在语法任务上的表现要好得多，尤其是在训练语料库较小的情况下。在语义任务上，Word2Vec的性能略优于FastText。随着训练语料库大小的增加，差异变得越来越小。

FastText的训练时间明显长于Word2Vec的Gensim版本（15min 42s vs 6min 42s on text8, 17 mil tokens, 5 epochs, and a vector size of 100）。

总的来说，word2vec有一个很大的局限性，那就是该模型无法推断出不熟悉的单词的向量。如果这个限制了我们，那就尝试使用FastText模型。

代码语言：txt复制
from gensim.models.fasttext import FastText as FT_gensim
from gensim.test.utils import datapath
 
# Set file names for train and test data
corpus_file = datapath('corpus.txt')
 
model = FT_gensim(size=100)
 
# build the vocabulary
model.build_vocab(corpus_file=corpus_file)
 
# train the model
model.train(
    corpus_file=corpus_file, epochs=model.epochs,
    total_examples=model.corpus_count, total_words=model.corpus_total_words
)

# save/load model
import tempfile
import os
with tempfile.NamedTemporaryFile(prefix='saved_model_gensim-', delete=False) as tmp:
    model.save(tmp.name, separately=[])
 
loaded_model = FT_gensim.load(tmp.name)

参数介绍

相比w2v模型，fasttext还有一些参数：

min_n: char ngrams的最小长度 (默认 3) max_n: char ngrams的最大长度 (默认 6) bucket: 用于散列ngrams的buckets数量 (默认 200000)

4. 词向量使用

代码语言：txt复制
model.most_similar(positive=['woman', 'king'], negative=['man']) #根据给定的条件推断相似词
model.doesnt_match("breakfast cereal dinner lunch".split()) #寻找离群词
model.similarity('woman', 'man') #计算两个单词的相似度
model['computer'] #获取单词的词向量
model.most_similar(positive='奔驰',topn=10) # 最相近的词
similarity = model.n_similarity(['奥迪','特斯拉','大众','宾利'], ['促销','日产','奇骏']) # 词组距离
print(f"{similarity:.4f}")

5. Ref

  1. http://www.junphy.com/wordpress/index.php/2020/04/30/word2vec/
  2. https://github.com/duoergun0729/nlp/blob/master/自己动手训练word2vec模型.md
  3. https://blog.csdn.net/qq_38890412/article/details/104710375
机器学习 深度学习 模式识别 python NLP服务

0 人点赞