windows下用Anaconda3做基于维基百科中文word2vec训练
1.下载维基百科中文语料
http://www.52nlp.cn/中英文维基百科语料上的Word2Vec实验中下载中文维基百科数据，也可从中文数据的下载地址是：https://dumps.wikimedia.org/zhwiki/latest/zhwiki-latest-pages-articles.xml.bz2。
2.xml的wiki数据转换为text格式
参考http://www.mamicode.com/info-detail-1699780.html这篇博客
import logging
import os.path
import sys
from gensim.corpora import WikiCorpus
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) < 3:
print (globals()["__doc__"] % locals())
sys.exit(1)
inp, outp = sys.argv[1:3]
space = b""
i = 0
output = open(outp, "w",encoding="utf-8")
wiki = WikiCorpus(inp, lemmatize=False, dictionary={})
for text in wiki.get_texts():
s=space.join(text)
s=s.decode("utf8") + "
"
output.write(s)
i = i + 1
if (i % 10000 == 0):
logger.info("Saved " + str(i) + " articles")
output.close()
logger.info("Finished Saved " + str(i) + " articles")然后打开cmd,输入python G:维基百科语料process_wiki.py G:维基百科语料zhwiki-latest-pages-articles.xml.bz2 G:维基百科语料wiki.zh.text（因为我是直接打开cmd,没有在维基百科语料中打开，因此需要标清楚每个文件的路径，不然就会提示错误：No such file or directory）
3.进行繁化简
首先先安装opencc 安装exe的版本 到https://bintray.com/package/files/byvoid/opencc/OpenCC 中下载
| opencc-1.0.1-win64.7z |
参考一下博客上面写在wiki.zh.text所在文件下打开命令窗口运行该命令C:Usersxiaolinopencc-1.0.1-win64opencc.exe -i wiki.zh.text -o Wiki.zh.text.jian -c zht2hs.iniz
出现
然后阅读了http://blog.sina.com.cn/s/blog_703521020102zb5v.html这篇博客知道 t2s.json Traditional Chinese to Simplified Chinese 繁體到簡體
所以更改命令为C:Usersxiaolinopencc-1.0.1-win64opencc.exe -i wiki.zh.text -o wiki.zh.text.jian -c C:Usersxiaolinopencc-1.0.1-win64 2s.json
-i表示输入文件，-o表示输出文件，t2s.json表示繁体转换为简体
这样就实现了化繁为简
4.进行分词
用python自带的结巴分词进行分词
import jieba
import jieba.analyse
import jieba.posseg as pseg
import codecs,sys
def cut_words(sentence):
#print sentence
return " ".join(jieba.cut(sentence)).encode("utf-8")
f=codecs.open("wiki.zh.text.jian","r",encoding="utf-8")
target = codecs.open("wiki.zh.jian.fenci.txt", "w",encoding="utf-8")
print ("open files")
line_num=1
line = f.readline()
while line:
print("---- processing ", line_num, " article----------------")
line_seg = " ".join(jieba.cut(line))
target.writelines(line_seg)
line_num = line_num + 1
line = f.readline()
f.close()
target.close()
exit()
while line:
curr = []
for oneline in line:
#print(oneline)
curr.append(oneline)
after_cut = map(cut_words, curr)
target.writelines(after_cut)
print ("saved",line_num,"articles")
exit()
line = f.readline1()
f.close()
target.close()5.训练Word2vec模型
参考https://magicly.me/word2vec-first-try-md/这篇博客
用52nlp的训练模型可能是内存不足，还是其他问题，总是出现slowly version gensim.doc2vec is being used,但是一直没有结果运行出来，参考这个博客，试了一下这个代码，在spyder3里跑了一下，结果跑通了。
import multiprocessing from gensim.models import Word2Vec from gensim.models.word2vec import LineSentence inp = "G:\维基百科语料\wiki.zh.jian.fenci.txt" outp1 = "G:\维基百科语料\wiki-zh-model" outp2 = "G:\维基百科语料\wiki-zh-vector" model = Word2Vec(LineSentence(inp), size = 400, window = 5, min_count = 5, workers = multiprocessing.cpu_count()) model.save(outp1) ## 以二进制格式存储 model.save_word2vec_format(outp2, binary = False) ## 以文本格式存储， 一行是一个词的vector运行结果如下：
运行完之后会得到三个文件：wiki-zh-model、wiki-zh-model.syn1neg.npy、wiki-zh-model.wv.syn0.npy
5.进行word2vec模型测试
from gensim.models import Word2Vec
model = Word2Vec.load("G:\维基百科语料\wiki-zh-model")
# model = Word2Vec.load_word2vec_format("./wiki-zh-vector", binary = False) # 如果之前用文本保存话， 用这个方法加载
res = model.most_similar("游泳")
print(res)测试结果：
任务完成！！！
不过还需要改进的是可以在分词前把文档进行一些处理：去掉英文、去掉停用词、去掉标点符号等等
可以参考：http://www.cnblogs.com/little-horse/p/6701911.html
