Word2Vec在中文的应用

　　google最近新开放出word2vec项目，该项目使用deep-learning技术将term表示为向量，由此计算term之间的相似度，对term聚类等，该项目也支持phrase的自动识别，以及与term等同的计算。

　　word2vec（word to vector）顾名思义，这是一个将单词转换成向量形式的工具。通过转换，可以把对文本内容的处理简化为向量空间中的向量运算，计算出向量空间上的相似度，来表示文本语义上的相似度。

具体的原理还没有去了解，在这里谈一下怎么个应用法

1. 分词

1）  本人下载的是搜狗实验室的互联网媒体新闻语料，先从语料中提取出每篇文章的正文，在提取的过程中进行过滤操作，因为同一篇文章可能被多个媒体报道，如果不对文章进行排重的话，会对最终的结果有一些影响，从过滤的结果上看，100篇文章中大概有35篇是出现不止一次的，所以这一步还是挺必要的。

2）  提取出正文后进行分词，且在分词过程中统计词频，因为Word2Vec在运行过程中，占用内存的大小是由独立词的个数决定的，所以统计完词频后将分词后的结果中的低频词去掉，在不去掉的情况下，大概要用到20G的内存空间，而只取前10万个高频词的时候只需要1G的空间就可以了。本人用的是FudanNLP的开源分词软件，分词速度还可以，大概300k/s，在i5-3470，8G内存的平台上进行。不过美中不足的是分词的正确率感觉不大高，很多长词被拆分成短词了，估计是词库的问题。

具体的代码如下:

　　新闻结构存储

 package cn.com.juefan.word2vec;

 import java.util.regex.Matcher;
 import java.util.regex.Pattern;

 public class Word2VecData {

     public String TEXT = new String();
     public String urlString = new String();
     public String titleString = new String();
     public String contentString = new String();

     public Word2VecData(String string){
         TEXT = string;
         urlString = match("url"    );
         titleString = match("contenttitle");
         contentString = match("content");

     }

     /**
      * 匹配提取出内容
      * @param string 搜狗数据集(一行)
      * @return 提取的有效内容
      */
     public String match(String string){
         String regex = "<" + string + ">" + ".*?" + "</" + string + ">";
         Pattern p = Pattern.compile(regex, Pattern.CANON_EQ);
         Matcher matcher = p.matcher(TEXT);
         while(matcher.find()){
             return matcher.group().replace("<" + string + ">" , "").replace("</" + string + ">", "");
         }
         return null;
     }     }

 }

　　正文提取与存储

 package cn.com.juefan.word2vec;

 import java.io.BufferedReader;
 import java.io.File;
 import java.io.FileInputStream;
 import java.io.FileReader;
 import java.io.FileWriter;
 import java.io.InputStreamReader;
 import java.util.HashSet;
 import java.util.Map;
 import java.util.Scanner;
 import java.util.Set;

 import edu.fudan.juefan.personer.StopWord;
 import edu.fudan.ml.types.Dictionary;
 import edu.fudan.nlp.cn.tag.CWSTagger;
 import edu.fudan.nlp.cn.tag.POSTagger;

 public class SplitContent {

     /**
      * 将指定内容写入指定文件中
      * 以追加的方式写入
      * @param fileWriter  文件路径
      * @param context  存储内容
      * @param bool 是否覆盖写入
      */
     public static void FileWrite(String fileName, String context, boolean bool){
         try{
             @SuppressWarnings("resource")
             FileWriter fileWriter = new FileWriter(fileName, bool);
             fileWriter.write(context);
             fileWriter.flush();
         }catch (Exception e) {
         }
     }

     public static void main(String[] args) throws Exception {
         Set<String> set = new HashSet<String>();
         /**加载分词器*/
         CWSTagger tag2 = new CWSTagger("./models/seg.m");
         String fileNameString = "\\output\\sogou\\SplitContent_";

         /**加载停用词
          * 该类是自己写的，个人可以自己写一个，主要是对分词后的结果进行过滤操作
          */
         StopWord stopWord = new StopWord();
         int TRAC = 0;
         int NUM = 0;
         StringBuilder builder = new StringBuilder();
         BufferedReader reader = null;
         try{
             /**读取搜狗语料*/
             File fileScanner = new File(System.getProperty("user.dir") + "\\input\\news_tensite_xml.txt");

             if(new File(System.getProperty("user.dir") + "\\input\\news_tensite_xml.txt").exists()){
                 System.out.println("正在读取文件......");
                 InputStreamReader isr = new InputStreamReader(new FileInputStream(fileScanner), "GBK");
                 reader = new BufferedReader(isr);
                 String tmString = null;
                 while((tmString = reader.readLine()) != null){
                     builder = builder.append(tmString);

                     /**搜狗语料的结构为每6行构成一篇报道*/
                     if(++TRAC % 6 == 0){
                         Word2VecData data = new Word2VecData(builder.toString());
                         if(!set.contains(data.contentString)){
                             /**上面是判断该新闻是否与出现过，下面是将分词后的结果进行停用词过滤操作,且每50000篇文章为一个小文件*/
                             stopWord.Filtration(tag2.tag(data.contentString));
                             FileWrite(System.getProperty("user.dir") + fileNameString + Integer.toString(NUM++ / 50000), stopWord.builder.toString() + "\n", true);
                             set.add(data.contentString);
                             if(NUM % 10000 == 0)
                                 System.out.println(NUM);
                         }
                         builder.delete(0, builder.length());
                     }
                 }
                 System.out.println("读取文件成功!");
             }
         }catch (Exception e) {
             System.out.println("文件不存在!");
         }
     }

 }

==================久违了，写一下Word2Vec的操作====================

上面的是语料的分词，接下来就利用分词后的语料进行Word2Vec的训练了

步骤1：

　　首先要做的肯定是从官网上下载word2vec的源码：http://word2vec.googlecode.com/svn/trunk/ ，然后把其中makefile文件的.txt后缀去掉，在终端下执行make操作，这时能发现word2vec文件夹下多了好几个东西。

　　如果make不成功的话，需要修改makefile的内容，把第四行修改为

CFLAGS = -lm -pthread -O2 -Wall -funroll-loops

　　然后再进行make编译，这回估计就能成功了！

步骤2：

　　对语料进行训练，在Word2Vec文件夹下会有一个word2vec程序，执行

 ./word2vec sougo.txt vertors.bin
./word2vec -train resultbig.txt -output vectors.bin -cbow 0 -size 200 -window 5 -negative 0 -hs 1 -sample 1e-3 -threads 12 -binary 1

　　此时将会训练生成词向量文件vertors.bin

步骤3：

　　调用vertors.bin文件输出词的相似词结果，执行

[juefan@xxx Word2Vec]$ ./distance vectors.bin
Enter word or sentence (EXIT to break): 

　　此时只要输入一个词，就能够输出对应的相关词了

参数说明：

参数解释： 
-train 训练数据 
-output 结果输入文件，即每个词的向量 
-cbow 是否使用cbow模型，0表示使用skip-gram模型，1表示使用cbow模型，默认情况下是skip-gram模型，cbow模型快一些，skip-gram模型效果好一些 
-size 表示输出的词向量维数 
-window 为训练的窗口大小，8表示每个词考虑前8个词与后8个词（实际代码中还有一个随机选窗口的过程，窗口大小<=5) 
-negative 表示是否使用NEG方，0表示不使用，其它的值目前还不是很清楚 
-hs 是否使用HS方法，0表示不使用，1表示使用 
-sample 表示 采样的阈值，如果一个词在训练样本中出现的频率越大，那么就越会被采样 
-binary 表示输出的结果文件是否采用二进制存储，0表示不使用（即普通的文本存储，可以打开查看），1表示使用，即vectors.bin的存储类型

除了上面所讲的参数，还有： 
-alpha 表示 学习速率 
-min-count 表示设置最低频率，默认为5，如果一个词语在文档中出现的次数小于该阈值，那么该词就会被舍弃 
-classes 表示词聚类簇的个数，从相关源码中可以得出该聚类是采用k-means

晒一下结果出来给大家看下。。。

没有做过对比，不过个人感觉这个效果是挺不错的了。。。。点赞！

http://blog.csdn.net/baidu_26550817/article/details/48653889