[Python] 使用 Gensim 套件將文字轉成向量（Word2Vec）

Last Updated on 2021-06-08 by Clay

Gensim 介紹

在自然語言處理 (NLP) 的任務中，純文字的資料型態本身是相當難以進行處理的，尤其是在機器學習的任務當中。

試想：今天我們輸入圖像進行分類的訓練，我們可以使用『像素值』代表圖片的特徵進入模型當中進行訓練。但是文字呢？

文字型態的資料，是沒有辦法如同數值資料一樣進行 Forward Propagation 以及 Backward Propagation 的、是沒有辦法微分的，簡單來講，是沒辦法進行運算並且訓練權重網路的。

為了要解決這個問題，我們需要將『文字』轉換成『數值』。

最簡單的方法，就像我在《[PyTorch] 旅館評論情感分析實戰紀錄 (0)》這篇文章中所做的一樣，將每個『相異字』(Character) 轉換成一個特定的數字。這樣一來，我們便可以將機器學習相關的技術應用在文字領域了。

不過，只是單純地轉換 Character，有時是得不到較好的結果的。對中文而言，有時使用『詞』作為句子裡的基本元件單位會更恰當；另外，只是轉成一個『數字』也很難表現出中文詞彙的多樣性，轉換成『向量』通常效果會更好一點。

Word2Vec 就是這樣的一個工具，其最早是為 Google 開發的一個工具；而今天本文的主角 Gensim 則是它的 Python 實現 (不過只有最高層是 Python、內部還是封裝了 Word2Vec 的 C 接口)。

以下就來簡單地介紹該如何使用 Gensim 這項工具來完成將『文字轉換成向量』這項工作吧！

安裝 Gensim

如果你的電腦裡還沒有 Gensim，可以透過以下指令下載：

pip3 install gensim

下載 Wiki 語料

這裡以 Wiki 上的中文資料為訓練語料，Wiki 上的資料可是相當優秀的。不僅量多、而且詞彙涵蓋範圍廣，可以應用在許多不同的任務上。

可以從這個網址找到下載處：https://zh.wikipedia.org/wiki/Wikipedia:%E6%95%B0%E6%8D%AE%E5%BA%93%E4%B8%8B%E8%BD%BD

進入之後可以直接選擇一個日期，那是不同時間點的資料備份。

比如說我選擇了 20200101 這個時間點的資料，那麼，我要下載的資料則為：zhwiki-20200101-pages-articles-multistream.xml.bz2

要注意的是，你的日期可能與我不同，不過同樣都是這份檔案。

下載之後不用解壓縮，可以使用 Gensim 裡的工具直接提取文章。

WikiCorpus

WikiCorpus 是 Gensim 裡面的一個函式，可以幫助我們從 Wiki 的資料中提取乾淨的文章。

程式碼如下：

from gensim.corpora import WikiCorpus

wiki_corpus = WikiCorpus('zhwiki-20200101-pages-articles-multistream.xml.bz2', dictionary={})
text_num = 0

with open('wiki_text.txt', 'w', encoding='utf-8') as f:
    for text in wiki_corpus.get_texts():
        f.write(' '.join(text)+'\n')
        text_num += 1
        if text_num % 10000 == 0:
            print('{} articles processed.'.format(text_num))

    print('{} articles processed.'.format(text_num))

這裡我將乾淨的文本儲存成 wiki_text.txt 這份檔案，檔案的內容應如下：

歐幾里得 西元前三世紀的古希臘數學家 現在被認為是幾何之父 此畫為拉斐爾的作品 雅典學院 数学 是利用符号语言研究數量 结构 变化以及空间等概念的一門学科 ...

我將原本應是標點符號的地方以空白隔開，畢竟這可能會影響到『斷詞結果』。

斷詞

『斷詞』這項工作指的是文本分成以『詞』為單位的句子。斷詞的工具有很多種，基本上可以參考我之前寫過的：

• NLP 繁體中文斷詞的霸主 —— CKIP
• NLP 中文斷詞最方便的開源工具之一 —— Jieba
• 中文自然語言分析的工具包 —— THULAC
• 多功能的自然語言處理工具 —— HanLP

如果想要對繁體中文斷詞效果最好，首推 CKIP；如果是要斷詞速度的話，那非 Jieba 莫屬。在這裡以 Jieba 示範。

（註：Wiki 的資料當中許多地方是簡繁混雜的，可以考慮使用 OpenCC 這項工具來轉換。詳細的作法可以參閱我之前撰寫過的《中文繁簡轉換的便利工具 —— OpenCC》）

# coding: utf-8
import jieba
from opencc import OpenCC


# Initial
cc = OpenCC('s2t')


# Tokenize
with open('wiki_text_seg.txt', 'w', encoding='utf-8') as new_f:
    with open('wiki_text.txt', 'r', encoding='utf-8') as f:
        for times, data in enumerate(f, 1):
            print('data num:', times)
            data = cc.convert(data)
            data = jieba.cut(data)
            data = [word for word in data if word != ' ']
            data = ' '.join(data)

            new_f.write(data)

這裡我使用 OpenCC 將所有簡體轉換成繁體、再使用 Jieba 進行斷詞。

處理好之後的文本 seg.txt 應如下 (為了展示斷詞效果，我將詞彙斷開的地方使用換行示意)：

歐幾
裏
得
西元前
三世
紀的
古希臘
數學家
現在
被
認為
是
幾何
之父
此畫
為拉斐爾
的
作品
雅典
學院
數學
是
利用
...

最後，就只需要使用 Gensim 訓練 Word2Vec 模型即可。

使用 Gensim 訓練模型

from gensim.models import word2vec


# Settings
seed = 666
sg = 0
window_size = 10
vector_size = 100
min_count = 1
workers = 8
epochs = 5
batch_words = 10000

train_data = word2vec.LineSentence('wiki_text_seg.txt')
model = word2vec.Word2Vec(
    train_data,
    min_count=min_count,
    vector_size=vector_size,
    workers=workers,
    epochs=epochs,
    window=window_size,
    sg=sg,
    seed=seed,
    batch_words=batch_words
)

model.save('word2vec.model')

這裡要解釋一下 Settings 的參數（2021/05/31 更新：下方網友有留言告知新版 Gensim 似乎有調整過參數名稱）：

• seed： 亂數種子
• sg： Word2Vec 有兩種算法，CBOW 以及 Skip-gram，這裡選擇了訓練比較快的 CBOW
• window_size： 周圍詞彙要看多少範圍
• vector_size： 轉成向量的維度
• min_count： 詞頻少於 min_count 之詞彙不會參與訓練
• workers： 訓練的並行數量
• epochs： 訓練的迭代次數
• batch_words：每次給予多少詞彙量訓練

訓練完之後，我將模型儲存為 "word2vec.model"。

測試模型效果

from gensim.models import word2vec

model = word2vec.Word2Vec.load('word2vec.model')
print(model.wv['生物'].shape)

for item in model.wv.most_similar('生物'):
    print(item)

Output:

(100,)

('微生物', 0.7986701726913452)
('昆蟲', 0.7413981556892395)
('藻類', 0.7325523495674133)
('人類', 0.7236852049827576)
('動物', 0.7195628881454468)
('海洋生物', 0.7128344774246216)
('細菌', 0.7099639177322388)
('爬蟲', 0.7015881538391113)
('動物學', 0.6957031488418579)
('甲藻', 0.6929513216018677)

首先，我們將剛才訓練好的模型讀入。然後我們隨便選了個詞『生物』。

我們可以看到詞彙的維度的確是 100 維，跟我們剛才訓練時設定的一致。

然後我們可以使用 most_similar 看到這個向量最相近的詞彙 (基本上是將兩向量進行 Cosine Similarity 計算) —— 這是在只使用『數字』代表一個詞彙時所做不到的事情。

有了將文字轉向量之後，大部分機器學習的模型都能跑了，非常方便。

遇到『未知詞』的處理方法

我們所訓練的模型自然不可能涵蓋這個世界上所有的詞彙；也就是說，我們需要考慮在碰到不存在模型詞表（corpus）中的詞彙時，應該如何去處理未知詞。

目前就我所熟悉的處理方式可以分為兩類：

• 未知詞使用『模型平均向量』填充
• 未知詞使用『全零向量』填充

『模型平均向量』我們可以事先計算好、而『全零向量』也可先設置好。接著，再使用 try-except 針對『詞彙』不在『詞表』中的情況進行錯誤處理。

比方說像以下的範例程式碼：

# coding: utf-8
import numpy as np
from gensim.models import word2vec


# Load model
print("loading...")
model = word2vec.Word2Vec.load("word2vec.model")
    
# Zero padding
padding = np.zeros((model.vector_size,), dtype=np.float32)


# Error process
try:
    print(model.wv["哥吉拉大怪獸"].shape)
except:
    print("OOV")
    print(padding.shape)

這樣一來就能在詞彙不在詞表中的情況，迅速指定使用全零向量來當作未知詞的向量。