【计算语言学实验】基于 Skip-Gram with Negative Sampling (SGNS) 的汉语词向量学习和评估

一、概述

训练语料来源：维基媒体 https://dumps.wikimedia.org/backup-index.html 汉语数据

用word2vec训练词向量，并用所学得的词向量，计算 pku_sim_test.txt 文件中每行两个词间的余弦距离作为两词相似度，并输出到文件中。

二、数据准备及预处理

语料库的下载地址：https://dumps.wikimedia.org/zhwiki/20191120/zhwiki-20191120-pages-articles-multistream.xml.bz2

语料库文章的提取：

下载完成之后，解压缩得到的是一个xml文件，里面包含了许多的文章，也有许多的日志信息。此实验只需要提取xml文件里面的文章就可以了。
可以通过工具WikiExtractor来提取xml文件中的文章。先将整个WikiExtractor项目clone或者下载到本地，通过命令行窗口来运行，命令如下：(每个文件分割的大小为500M)

> git init
> git clone https://github.com/attardi/wikiextractor
> python .wikiextractorWikiExtractor.py -b 500M -o zhwiki zhwiki-20190401-pages-articles-multistream.xml.bz2

使用WikiExtractor提取文章，会在指定目录下产生一个AA的文件夹，里面会包含几个文件。

中文简体和繁体的转换：

因为维基百科语料库中的文章内容里面的简体和繁体是混乱的，所以我们需要将所有的繁体字转换成为简体。这里我们利用OpenCC来进行转换。
OpenCC项目地址: https://github.com/BYVoid/OpenCC, 将OpenCC安装到本地电脑后，执行命令：(t2s.json: 繁体转简体)

> opencc -i .zhwikiAAwiki_00
-o .zhwikiBBwiki_00
-c D:opencc-1.0.4-win32opencc-1.0.4shareopencc	2s.json

正则表达式提取文章内容并进行分词:

当前目录下的segmentWords.py中的代码共执行了三个步骤的操作：
（1）过滤标签内容：使用WikiExtractor提取的文章，会包含许多的，所以需要将这些不相关的内容通过正则表达式来去除。
（2）分词及去停用词：通过jieba对文章进行分词，在分词的时候还需要将停用词去除。
（3）合并保存文件：将分割之后的文章保存到文件中，每一行表示一篇文章，每个词之间使用空格进行分隔。

Jieba项目地址：https://github.com/fxsjy/jieba

#segmentWords.py

import logging
import jieba
import os
import re

def get_stopwords():
    logging.basicConfig(format='%(asctime)s:%(levelname)s:%(message)s',level=logging.INFO)
    #加载停用词表
    stopword_set = set()
    with open("./stop_words/stopwords.txt",'r',encoding="utf-8") as stopwords:
        for stopword in stopwords:
            stopword_set.add(stopword.strip("
"))
    return stopword_set

'''
使用正则表达式解析文本
'''
def parse_zhwiki(read_file_path,save_file_path):
    #过滤掉<doc>
    regex_str = "[^<doc.*>$]|[^</doc>$]"
    file = open(read_file_path,"r",encoding="utf-8")
    #写文件
    output = open(save_file_path,"w+",encoding="utf-8")
    content_line = file.readline()
    #获取停用词表
    stopwords = get_stopwords()
     #定义一个字符串变量，表示一篇文章的分词结果
    article_contents = ""
    cnt = 0
    while content_line:
        match_obj = re.match(regex_str,content_line)
        content_line = content_line.strip("
")
        if len(content_line) > 0:
            if match_obj:
                #使用jieba进行分词
                words = jieba.cut(content_line,cut_all=False)
                for word in words:
                    if word not in stopwords:
                        article_contents += word+" "
            else:
                if len(article_contents) > 0:
                    output.write(article_contents+"
")
                    article_contents = ""
        cnt += 1
        if (cnt % 10000 == 0):
            print("已处理", cnt/10000, "万行")
        content_line = file.readline()
    output.close()

'''
将维基百科语料库进行分类
'''
def generate_corpus():
    zhwiki_path = "./zhwiki/BB"
    save_path = "./zhwiki/BB"
    for i in range(3):
        print("开始处理第", i, "个文件")
        file_path = os.path.join(zhwiki_path,str("wiki_0%s"%str(i)))
        parse_zhwiki(file_path,os.path.join(save_path,"wiki_corpus0%s"%str(i)))


'''
合并分词后的文件
'''
def merge_corpus():
    output = open("./zhwiki/BB/wiki_corpus","w",encoding="utf-8")
    input = "./zhwiki/BB"
    for i in range(3):
        print("开始合并第", i, "个文件")
        file_path = os.path.join(input,str("wiki_corpus0%s"%str(i)))
        file = open(file_path,"r",encoding="utf-8")
        line = file.readline()
        while line:
            output.writelines(line)
            line = file.readline()
        file.close()
    output.close()

if __name__ == "__main__":
    # # wiki数据处理
    print("开始正则，jieba处理数据")
    generate_corpus()

    # 文件合并
    print("开始合并文件")
    merge_corpus()

    # 打印数据 显示
    input_file = "./zhwiki/BB/wiki_corpus"
    file = open(input_file,"r",encoding="utf-8")
    line = file.readline()
    num = 1
    while line:
        print(line)
        line = file.readline()
        num += 1
        if num > 10:
            break

word2vec模型的训练：

当前目录下的train.py中word2vec的参数设置(size=100, window=5, sg=1, hs=0, negative=5)，符合实验要求(前后2窗口，100维，SGNS)。

#train.py

import logging
from gensim.models import word2vec

def main():
    logging.basicConfig(format="%(asctime)s:%(levelname)s:%(message)s",level=logging.INFO)
    sentences = word2vec.LineSentence("./zhwiki/BB/wiki_corpus")
    # size：单词向量的维度
    # window: 窗口大小
    # sg=1: 使用skip-gram
    # hs=0: 使用negative sample
    model = word2vec.Word2Vec(sentences, size=100, window=5, sg=1, hs=0, negative=5)
    # 保存模型  必须3个一起用
    # model.save("./model/wiki_corpus.bin")
    # model.save("./model/wiki_corpus.model")

    # 训练为一个单独二进制压缩文件  可独立使用
    model.wv.save_word2vec_format("./model/wiki_corpus_binary.bin", binary=True)

if __name__ == "__main__":
    main()

计算两个词的相似度:

当前目录下的compute.py中的代码共执行了以下步骤：
（1）读取训练得到的模型，以及待计算相似的pku_sim_test.txt文件
（2）字符串以 为分隔符切分为列表格式，并计算相似度
（3）结果保存为result.txt文件

#compute.py

import re
from gensim.models import KeyedVectors

def main():
    # 读取模型以及待计算数据
    model = KeyedVectors.load_word2vec_format("./model/wiki_corpus_binary.bin", binary=True)
    f = open('./pku_sim_test.txt', encoding='utf-8')
    out = open('result.txt', 'w', encoding='utf-8')
    
    # 字符串切分为列表
    wordlist = []
    while True:
        line = f.readline()
        if not line:
            break
        wordlist.append(re.split(r'[	
]', line))
    
    # 计算相似度
    cnt = 0
    resTotal = 0.0
    for i in range(len(wordlist)):
        words = wordlist[i]
        try:
            res = model.similarity(words[0], words[1])
        except KeyError:
            words[2] = 'OOV'
            wordlist[i] = words
            print(words)
            continue

        words[2] = str("%.4f"%res)
        wordlist[i] = words
        print(words)
        cnt += 1
        resTotal += res

    print("查到的比例为：%.4f"%(cnt/len(wordlist)))
    print("平均相似度为：%.4f"%(resTotal/cnt))
    
    # 结果保存
    lines = []
    for i in range(len(wordlist)):
        line = wordlist[i]
        oneline = line[0] + '	' + line[1] + '	' + line[2] + '
'
        lines.append(oneline)
    out.writelines(lines)
    f.close()
    out.close()
    

if __name__ == '__main__':
    main()