在搜狗实验室里下载相关语料，我下载的是全网新闻： http://www.sogou.com/labs/resource/ca.php
下下来的语料，看到有1.54G的大小：
文件大小
其中里面内容的格式为：
文本格式
刚下下来的语料是用gbk编码的，在mac或linux上都会呈乱码形式，需要将之转换为utf-8编码。而且我们只需要<content>里面的内容。因此先转换编码和获取content内容。这里简单的方法可以通过shell的命令来完成:
cat news_tensite_xml.dat | iconv -f gbk -t utf-8 -c | grep "<content>" > corpus.txt
转换完后的数据如下：
数据语料
这时候全是content中的内容了，虽然还有<content>标签在，不过这个可以在程序中去掉。
下面一个操作就是进行分词，因为是用Python来进行的，使用jieba分词来进行分词操作，生成分词文件corpus_seg.txt：
python word_segment.py corpus.txt corpus_seg.txt
# -*- coding: utf-8 -*-
# word_segment.py用于语料分词
import logging
import os.path
import sys
import re
import jieba
reload(sys)
sys.setdefaultencoding( "utf-8" )
# 先用正则将<content>和</content>去掉
def reTest(content):
reContent = re.sub('<content>|</content>','',content)
return reContent
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 = " "
i = 0
finput = open(inp)
foutput = open(outp,'w')
for line in finput:
line_seg = jieba.cut(reTest(line))
output.write(space.join(line_seg))
i = i + 1
if (i % 1000 == 0):
logger.info("Saved " + str(i) + " articles_seg")
finput.close()
foutput.close()
logger.info("Finished Saved " + str(i) + " articles")
跑起来如下：
运行结果
分完词的样子：
分词完毕，<content></content>也去掉了
接着我们可以用gensim中的word2vec工具训练：
python train_word2vec_model.py corpus_seg.txt corpus.model corpus.vector
# -*- coding: utf-8 -*-
# train_word2vec_model.py用于训练模型
import logging
import os.path
import sys
import multiprocessing
from gensim.models import Word2Vec
from gensim.models.word2vec import LineSentence
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.setLavel(level=logging.INFO)
logging.info("running %s" % ' '.join(sys.argv))
if len(sys.argv) < 4:
print global()['__doc__'] % locals()
sys.exit(1)
inp,outp,outp2 = sys.argv[1:4]
model = Word2Vec(LineSentence(inp),size=400,window=5,min_count=5,workers=multiprocessing.cup_count())
model.save(outp)
model.save_word2vec_format(outp2,binary=false)
运行信息如下：
正在进行中...
完毕后，即训练出了模型，这是可以测试测试模型的效果了，进入ipython：
In [1]: import gensim
In [2]: model = gensim.models.Word2Vec.load('corpus.model')
In [3]: result = model.most_similar(u'警察')
In [4]: for word in result:
...: print word[0],word[1]
...:
警员 0.668260276318
民警 0.566563367844
军警 0.560631096363
便衣警察 0.560409486294
保安 0.559458613396
交警 0.553144752979
协警 0.55225610733
公安人员 0.536189615726
警方 0.535990476608
警务人员 0.5125041008
In [5]: result = model.most_similar(u'妹纸')
In [6]: for word in result:
...: print word[0],word[1]
...:
妹子 0.588376522064
噢 0.559590697289
帅哥 0.550627946854
美眉 0.549147129059
萝莉 0.534497618675
尤物 0.525674104691
小萝莉 0.517127275467
小女生 0.508114397526
妖娆 0.506700277328
美女 0.503593623638
In [7]: result = model.most_similar(u'御姐')
In [8]: for word in result:
...: print word[0],word[1]
...:
冷艳 0.705523848534
萝莉 0.701750993729
侠女 0.645917892456
玉女 0.643954575062
百变 0.634887218475
小萝莉 0.62935769558
丑女 0.613193750381
妖娆 0.61169230938
清纯 0.608936905861
风骚 0.602776527405
In [9]: result = model.most_similar(u'马云')
In [10]: for word in result:
...: print word[0],word[1]
...:
阿里巴巴 0.557115197182
马化腾 0.551600694656
雷军 0.495278447866
李彦宏 0.476020514965
柳传志 0.475475847721
郭台铭 0.462114006281
宋卫平 0.453877806664
阎焱 0.452617198229
周鸿祎 0.44635617733
俞敏洪 0.43476909399
In [11]: model.similarity(u'男人',u'女人')
Out[11]: 0.90834058044551369
In [12]: print model.doesnt_match(u"早餐 晚餐 午餐 计算机".split())
计算机
In [13]: model.n_similarity([u'御姐',u'萝莉'],[u'计算机',u'编程'])
Out[13]: -0.054454374940044653
通过测试，看起来效果还蛮不错的。
