word2vec中文相似词计算和聚类的使用说明及c语言源码 – Eastmount的专栏 – 博客频道 – CSDN.NET

  • A+
所属分类：其他杂项
本文信息本文由方法SEO顾问发表于2016-06-1417:03:31，共 13555 字，转载请注明：word2vec中文相似词计算和聚类的使用说明及c语言源码 – Eastmount的专栏 – 博客频道 – CSDN.NET_【方法SEO顾问】

word2vec相关基础知识、下载安装参考前文：word2vec词向量中文文本相似度计算
目录：

  • word2vec使用说明及源码介绍
    • 1.下载地址
    • 2.中文语料
    • 3.参数介绍
    • 4.计算相似词语
    • 5.三个词预测语义语法关系
    • 6.关键词聚类

1、下载地址


官网C语言下载地址：http://word2vec.googlecode.com/svn/trunk/

运行 make 编译word2vec工具：

Makefile的编译代码在makefile.txt文件中，先改名makefile.txt 为Makefile，然后在当前目录下执行make进行编译，生成可执行文件(编译过程中报出很出Warning，gcc不支持pthread多线程命令，注释即可)。

再运行示例脚本：./demo-word.sh 和 ./demo-phrases.sh：

a). 从http://mattmahoney.net/dc/text8.zip 在线下载了一个文件text8 ( 一个解压后不到100M的txt文件，可自己下载并解压放到同级目录下)，可替换为自己的语料

b). 执行word2vec生成词向量到 vectors.bin文件中

c). 如果执行 sh demo-word.sh 训练生成vectors.bin文件后，下次可以直接调用已经训练好的词向量，如命令 ./distance vectors.bin

2、中文语料

语料是我使用Selenium爬取的三大百科（百度、互动、维基）文本信息，其中每个百科有100个国家，总共300个国家（0001.txt~0300.txt），然后使用Jieba工具进行中文分词处理。最后输出Result_Country.txt文件，它把所有文本合并，共300行，每行对应一个国家的分词文本信息。

3、参数介绍

下图参数源自文章：Windows下使用Word2vec继续词向量训练 - 一只鸟的天空

Java推荐参考文章：word2vec使用指导


demo-word.sh文件，参考：http://jacoxu.com/?p=1084

[plain] view plain copy

ico_fork.svg

  1. make    
  2. #if [ ! -e text8 ]; then    
  3. #  wget http://mattmahoney.net/dc/text8.zip -O text8.gz    
  4. #  gzip -d text8.gz -f    
  5. #fi    
  6. time ./word2vec -train Result_Country.txt -output vectors.bin -cbow 1 -size 200 -window 8 -negative 25 -hs 0 -sample 1e-4 -threads 20 -binary 1 -iter 15    
  7. ./distance vectors.bin    

具体命令解释如下：

-train Result_Country.txt 表示的是输入文件是Result_Country.txt

-output vectors.bin 输出文件是vectors.bin

-cbow 0 表示不使用cbow模型，默认为Skip-Gram模型

-size 200 每个单词的向量维度是200

-window 8 训练的窗口大小为8，就是考虑一个词前八个和后八个词语（实际代码中还有一个随机选窗口的过程，窗口大小小于等于5）

-negative
0 表示是否使用NEG方，0表示不使用

-hs 1 是否使用HS方法，0表示不使用，1表示使用HS方法

-sample 指的是采样的阈值，如果一个词语在训练样本中出现的频率越大，那么就越会被采样

-binary 1 为1指的是结果二进制存储，为0是普通存储（普通存储的时候是可以打开看到词语和对应的向量的）

除了以上命令中的参数，word2vec还有几个参数对我们比较有用比如：

-alpha 设置学习速率，默认的为0.025

–min-count 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

-classes 设置聚类个数，看了一下源码用的是k-means聚类的方法

要注意-threads 20 线程数也会对结果产生影响。

4、计算相似词语

命令：sh demo-word.sh

demo-word.sh 中指令：

[plain] view plain copy

ico_fork.svg

  1. make  
  2. #if [ ! -e text8 ]; then  
  3. #  wget http://mattmahoney.net/dc/text8.zip -O text8.gz  
  4. #  gzip -d text8.gz -f  
  5. #fi  
  6. time ./word2vec -train Result_Country.txt -output vectors.bin -cbow 1 -size 200 -window 8 -negative 25 -hs 0 -sample 1e-4 -threads 20 -binary 1 -iter 15  
  7. ./distance vectors.bin  

运行结果如下图所示：

如果想要不训练调用上次训练的vectors.bin文件，则输入 ./distance vectors.bin

输入"阿富汗"输出相似次及相似距离，如"喀布尔"阿富汗首都，"坎大哈"阿富汗城市，类似中东国家"伊拉克"等。

输入"国歌"输出相似词如下图所示：

不仅仅名词可以获取相似词，动词也可以。如输入"位于"，输出如下：

distance.c 源码：

[cpp] view plain copy

ico_fork.svg

  1. //  Copyright 2013 Google Inc. All Rights Reserved.  
  2. //  
  3. //  Licensed under the Apache License, Version 2.0 (the "License");  
  4. //  you may not use this file except in compliance with the License.  
  5. //  You may obtain a copy of the License at  
  6. //  
  7. //      http://www.apache.org/licenses/LICENSE-2.0  
  8. //  
  9. //  Unless required by applicable law or agreed to in writing, software  
  10. //  distributed under the License is distributed on an "AS IS" BASIS,  
  11. //  WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.  
  12. //  See the License for the specific language governing permissions and  
  13. //  limitations under the License.  
  14.   
  15. #include <stdio.h>  
  16. #include <string.h>  
  17. #include <math.h>  
  18. #include <malloc.h>  
  19.   
  20. const long long max_size = 2000;         // max length of strings  
  21. const long long N = 40;                  // number of closest words that will be shown  
  22. const long long max_w = 50;              // max length of vocabulary entries  
  23.   
  24. int main(int argc, char **argv) {  
  25.   FILE *f;  
  26.   char st1[max_size];  
  27.   char *bestw[N];  
  28.   char file_name[max_size], st[100][max_size];  
  29.   float dist, len, bestd[N], vec[max_size];  
  30.   long long words, size, a, b, c, d, cn, bi[100];  
  31.   char ch;  
  32.   float *M;  
  33.   char *vocab;  
  34.   if (argc < 2) {  
  35.     printf("Usage: ./distance <FILE>\nwhere FILE contains word projections in the BINARY FORMAT\n");  
  36.     return 0;  
  37.   }  
  38.   strcpy(file_name, argv[1]);  
  39.   f = fopen(file_name, "rb");  
  40.   if (f == NULL) {  
  41.     printf("Input file not found\n");  
  42.     return -1;  
  43.   }  
  44.   fscanf(f, "%lld", &words);  
  45.   fscanf(f, "%lld", &size);  
  46.   vocab = (char *)malloc((long long)words * max_w * sizeof(char));  
  47.   for (a = 0; a < N; a++) bestw[a] = (char *)malloc(max_size * sizeof(char));  
  48.   M = (float *)malloc((long long)words * (long long)size * sizeof(float));  
  49.   if (M == NULL) {  
  50.     printf("Cannot allocate memory: %lld MB    %lld  %lld\n", (long long)words * size * sizeof(float) / 1048576, words, size);  
  51.     return -1;  
  52.   }  
  53.   for (b = 0; b < words; b++) {  
  54.     a = 0;  
  55.     while (1) {  
  56.       vocab[b * max_w + a] = fgetc(f);  
  57.       if (feof(f) || (vocab[b * max_w + a] == ' ')) break;  
  58.       if ((a < max_w) && (vocab[b * max_w + a] != '\n')) a++;  
  59.     }  
  60.     vocab[b * max_w + a] = 0;  
  61.     for (a = 0; a < size; a++) fread(&M[a + b * size], sizeof(float), 1, f);  
  62.     len = 0;  
  63.     for (a = 0; a < size; a++) len += M[a + b * size] * M[a + b * size];  
  64.     len = sqrt(len);  
  65.     for (a = 0; a < size; a++) M[a + b * size] /= len;  
  66.   }  
  67.   fclose(f);  
  68.   while (1) {  
  69.     for (a = 0; a < N; a++) bestd[a] = 0;  
  70.     for (a = 0; a < N; a++) bestw[a][0] = 0;  
  71.     printf("Enter word or sentence (EXIT to break): ");  
  72.     a = 0;  
  73.     while (1) {  
  74.       st1[a] = fgetc(stdin);  
  75.       if ((st1[a] == '\n') || (a >= max_size - 1)) {  
  76.         st1[a] = 0;  
  77.         break;  
  78.       }  
  79.       a++;  
  80.     }  
  81.     if (!strcmp(st1, "EXIT")) break;  
  82.     cn = 0;  
  83.     b = 0;  
  84.     c = 0;  
  85.     while (1) {  
  86.       st[cn][b] = st1[c];  
  87.       b++;  
  88.       c++;  
  89.       st[cn][b] = 0;  
  90.       if (st1[c] == 0) break;  
  91.       if (st1[c] == ' ') {  
  92.         cn++;  
  93.         b = 0;  
  94.         c++;  
  95.       }  
  96.     }  
  97.     cn++;  
  98.     for (a = 0; a < cn; a++) {  
  99.       for (b = 0; b < words; b++) if (!strcmp(&vocab[b * max_w], st[a])) break;  
  100.       if (b == words) b = -1;  
  101.       bi[a] = b;  
  102.       printf("\nWord: %s  Position in vocabulary: %lld\n", st[a], bi[a]);  
  103.       if (b == -1) {  
  104.         printf("Out of dictionary word!\n");  
  105.         break;  
  106.       }  
  107.     }  
  108.     if (b == -1) continue;  
  109.     printf("\n                                              Word       Cosine distance\n------------------------------------------------------------------------\n");  
  110.     for (a = 0; a < size; a++) vec[a] = 0;  
  111.     for (b = 0; b < cn; b++) {  
  112.       if (bi[b] == -1) continue;  
  113.       for (a = 0; a < size; a++) vec[a] += M[a + bi[b] * size];  
  114.     }  
  115.     len = 0;  
  116.     for (a = 0; a < size; a++) len += vec[a] * vec[a];  
  117.     len = sqrt(len);  
  118.     for (a = 0; a < size; a++) vec[a] /= len;  
  119.     for (a = 0; a < N; a++) bestd[a] = -1;  
  120.     for (a = 0; a < N; a++) bestw[a][0] = 0;  
  121.     for (c = 0; c < words; c++) {  
  122.       a = 0;  
  123.       for (b = 0; b < cn; b++) if (bi[b] == c) a = 1;  
  124.       if (a == 1) continue;  
  125.       dist = 0;  
  126.       for (a = 0; a < size; a++) dist += vec[a] * M[a + c * size];  
  127.       for (a = 0; a < N; a++) {  
  128.         if (dist > bestd[a]) {  
  129.           for (d = N - 1; d > a; d--) {  
  130.             bestd[d] = bestd[d - 1];  
  131.             strcpy(bestw[d], bestw[d - 1]);  
  132.           }  
  133.           bestd[a] = dist;  
  134.           strcpy(bestw[a], &vocab[c * max_w]);  
  135.           break;  
  136.         }  
  137.       }  
  138.     }  
  139.     for (a = 0; a < N; a++) printf("%50s\t\t%f\n", bestw[a], bestd[a]);  
  140.   }  
  141.   return 0;  
  142. }  

5、三个词预测语义语法关系

命令：sh demo-analogy.sh

demo-analogy.sh 中指令：

[plain] view plain copy

ico_fork.svg

  1. make  
  2. #if [ ! -e text8 ]; then  
  3. #  wget http://mattmahoney.net/dc/text8.zip -O text8.gz  
  4. #  gzip -d text8.gz -f  
  5. #fi  
  6. echo -------------------------------------------------------------------------------------  
  7. echo Note that for the word analogy to perform well, the model should be trained on much larger data set  
  8. echo Example input: paris france berlin  
  9. echo -------------------------------------------------------------------------------------  
  10. time ./word2vec -train Result_Country.txt -output vectors.bin -cbow 1 -size 200 -window 8 -negative 25 -hs 0 -sample 1e-4 -threads 20 -binary 1 -iter 15  
  11. ./word-analogy vectors.bin  

运行结果如下图所示：

输入"韩国、首尔、日本"可以预测其首都"东京"：
韩国的首都是首尔  <==>  日本的首都是东京

输入"中国 亚洲 德国"可以预测语义语法关系"欧洲"：
中国位于亚洲 <==> 德国位于欧洲

如果输入仅仅2个词体会提示错误，同时输入"EXIT"可推出继续输入。
word-analogy.c 源码：

[cpp] view plain copy

ico_fork.svg

  1. //  Copyright 2013 Google Inc. All Rights Reserved.  
  2. //  
  3. //  Licensed under the Apache License, Version 2.0 (the "License");  
  4. //  you may not use this file except in compliance with the License.  
  5. //  You may obtain a copy of the License at  
  6. //  
  7. //      http://www.apache.org/licenses/LICENSE-2.0  
  8. //  
  9. //  Unless required by applicable law or agreed to in writing, software  
  10. //  distributed under the License is distributed on an "AS IS" BASIS,  
  11. //  WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.  
  12. //  See the License for the specific language governing permissions and  
  13. //  limitations under the License.  
  14.   
  15. #include <stdio.h>  
  16. #include <string.h>  
  17. #include <math.h>  
  18. #include <malloc.h>  
  19.   
  20. const long long max_size = 2000;         // max length of strings  
  21. const long long N = 40;                  // number of closest words that will be shown  
  22. const long long max_w = 50;              // max length of vocabulary entries  
  23.   
  24. int main(int argc, char **argv) {  
  25.   FILE *f;  
  26.   char st1[max_size];  
  27.   char bestw[N][max_size];  
  28.   char file_name[max_size], st[100][max_size];  
  29.   float dist, len, bestd[N], vec[max_size];  
  30.   long long words, size, a, b, c, d, cn, bi[100];  
  31.   char ch;  
  32.   float *M;  
  33.   char *vocab;  
  34.   if (argc < 2) {  
  35.     printf("Usage: ./word-analogy <FILE>\nwhere FILE contains word projections in the BINARY FORMAT\n");  
  36.     return 0;  
  37.   }  
  38.   strcpy(file_name, argv[1]);  
  39.   f = fopen(file_name, "rb");  
  40.   if (f == NULL) {  
  41.     printf("Input file not found\n");  
  42.     return -1;  
  43.   }  
  44.   fscanf(f, "%lld", &words);  
  45.   fscanf(f, "%lld", &size);  
  46.   vocab = (char *)malloc((long long)words * max_w * sizeof(char));  
  47.   M = (float *)malloc((long long)words * (long long)size * sizeof(float));  
  48.   if (M == NULL) {  
  49.     printf("Cannot allocate memory: %lld MB    %lld  %lld\n", (long long)words * size * sizeof(float) / 1048576, words, size);  
  50.     return -1;  
  51.   }  
  52.   for (b = 0; b < words; b++) {  
  53.     a = 0;  
  54.     while (1) {  
  55.       vocab[b * max_w + a] = fgetc(f);  
  56.       if (feof(f) || (vocab[b * max_w + a] == ' ')) break;  
  57.       if ((a < max_w) && (vocab[b * max_w + a] != '\n')) a++;  
  58.     }  
  59.     vocab[b * max_w + a] = 0;  
  60.     for (a = 0; a < size; a++) fread(&M[a + b * size], sizeof(float), 1, f);  
  61.     len = 0;  
  62.     for (a = 0; a < size; a++) len += M[a + b * size] * M[a + b * size];  
  63.     len = sqrt(len);  
  64.     for (a = 0; a < size; a++) M[a + b * size] /= len;  
  65.   }  
  66.   fclose(f);  
  67.   while (1) {  
  68.     for (a = 0; a < N; a++) bestd[a] = 0;  
  69.     for (a = 0; a < N; a++) bestw[a][0] = 0;  
  70.     printf("Enter three words (EXIT to break): ");  
  71.     a = 0;  
  72.     while (1) {  
  73.       st1[a] = fgetc(stdin);  
  74.       if ((st1[a] == '\n') || (a >= max_size - 1)) {  
  75.         st1[a] = 0;  
  76.         break;  
  77.       }  
  78.       a++;  
  79.     }  
  80.     if (!strcmp(st1, "EXIT")) break;  
  81.     cn = 0;  
  82.     b = 0;  
  83.     c = 0;  
  84.     while (1) {  
  85.       st[cn][b] = st1[c];  
  86.       b++;  
  87.       c++;  
  88.       st[cn][b] = 0;  
  89.       if (st1[c] == 0) break;  
  90.       if (st1[c] == ' ') {  
  91.         cn++;  
  92.         b = 0;  
  93.         c++;  
  94.       }  
  95.     }  
  96.     cn++;  
  97.     if (cn < 3) {  
  98.       printf("Only %lld words were entered.. three words are needed at the input to perform the calculation\n", cn);  
  99.       continue;  
  100.     }  
  101.     for (a = 0; a < cn; a++) {  
  102.       for (b = 0; b < words; b++) if (!strcmp(&vocab[b * max_w], st[a])) break;  
  103.       if (b == words) b = 0;  
  104.       bi[a] = b;  
  105.       printf("\nWord: %s  Position in vocabulary: %lld\n", st[a], bi[a]);  
  106.       if (b == 0) {  
  107.         printf("Out of dictionary word!\n");  
  108.         break;  
  109.       }  
  110.     }  
  111.     if (b == 0) continue;  
  112.     printf("\n                                              Word              Distance\n------------------------------------------------------------------------\n");  
  113.     for (a = 0; a < size; a++) vec[a] = M[a + bi[1] * size] - M[a + bi[0] * size] + M[a + bi[2] * size];  
  114.     len = 0;  
  115.     for (a = 0; a < size; a++) len += vec[a] * vec[a];  
  116.     len = sqrt(len);  
  117.     for (a = 0; a < size; a++) vec[a] /= len;  
  118.     for (a = 0; a < N; a++) bestd[a] = 0;  
  119.     for (a = 0; a < N; a++) bestw[a][0] = 0;  
  120.     for (c = 0; c < words; c++) {  
  121.       if (c == bi[0]) continue;  
  122.       if (c == bi[1]) continue;  
  123.       if (c == bi[2]) continue;  
  124.       a = 0;  
  125.       for (b = 0; b < cn; b++) if (bi[b] == c) a = 1;  
  126.       if (a == 1) continue;  
  127.       dist = 0;  
  128.       for (a = 0; a < size; a++) dist += vec[a] * M[a + c * size];  
  129.       for (a = 0; a < N; a++) {  
  130.         if (dist > bestd[a]) {  
  131.           for (d = N - 1; d > a; d--) {  
  132.             bestd[d] = bestd[d - 1];  
  133.             strcpy(bestw[d], bestw[d - 1]);  
  134.           }  
  135.           bestd[a] = dist;  
  136.           strcpy(bestw[a], &vocab[c * max_w]);  
  137.           break;  
  138.         }  
  139.       }  
  140.     }  
  141.     for (a = 0; a < N; a++) printf("%50s\t\t%f\n", bestw[a], bestd[a]);  
  142.   }  
  143.   return 0;  
  144. }  

6、关键词聚类

命令：sh demo-classes.sh

demo-classes.sh 中指令：

[plain] view plain copy

ico_fork.svg

  1. make  
  2. #if [ ! -e text8 ]; then  
  3. #  wget http://mattmahoney.net/dc/text8.zip -O text8.gz  
  4. #  gzip -d text8.gz -f  
  5. #fi  
  6. time ./word2vec -train Result_Country.txt -output classes.txt -cbow 1 -size 200 -window 8 -negative 25 -hs 0 -sample 1e-4 -threads 20 -iter 15 -classes 100  
  7. sort classes.txt -k 2 -n > classes.sorted.txt  
  8. echo The word classes were saved to file classes.sorted.txt  

运行结果如下图所示：

其中生词文件classes.txt和排序后的文件classes.sorted.txt：

聚类算法是Kmeans，类簇设置为100类，对应0~99，每类的关键词如下，但是如何计算300行数据每行对应的类标，还不太清楚~

其中聚类代码见 word2vec.c 文件 void TrainModel() 函数：

demo-phrases.sh（word2phrase.c） 是就是将词语拼成短语。

希望文章对你有所帮助，尤其是正在学习word2vec基础文章的。

推荐文章：文本深度表示模型Word2Vec - 小唯THU大神

                 利用中文数据跑Google开源项目word2vec - hebin大神

                 Word2vec在事件挖掘中的调研 - 热点事件推荐 (思路不错)

(By:Eastmount 2016-02-20 深夜2点  http://blog.csdn.net/eastmount/ )

发表评论

:?: :razz: :sad: :evil: :!: :smile: :oops: :grin: :eek: :shock: :???: :cool: :lol: :mad: :twisted: :roll: :wink: :idea: :arrow: :neutral: :cry: :mrgreen: