GloVe 教程之实战入门+python gensim 词向量

前几天看论文，忽然看到了一个跟word2vec并列的词向量工具，这么厉害？还能跟word2vec相提并论？

果断需要试试。

GloVe 

它来自斯坦福的一篇论文，GloVe全称应该是  Global  Vectors for Word Representation

官网在此  http://nlp.stanford.edu/projects/glove/

大概长这样，上面还有训练好的模型可以下载

下面开始动手。

官方的代码的GitHub在此 ：  https://github.com/stanfordnlp/GloVe

可以看到，这是个c的版本，并且跑在linux下。

毕竟最爱的是python，首先想，有没有python版本的，GitHub上其实还真搜到了一个，不过看了一下，应该是哪个小伙伴自己写的，试了一下，发现一百句话的语料它的速度就已经慢得不能忍受了。我们是要面对至少几百M几个G的语料，显然这个是不能接受的。所以就不放链接了。

那就只能用C的代码训练，然后再用python来处理结果。让人欣喜的是，GloVe训练的结果，是可以用gensim里面word2vec的load直接加载并且使用的，那就简单了。

首先，找到一个linux系统的机器，把上面GitHub上的代码down下来。

进入glove目录下，首先先参考README.txt,里面主要介绍这个程序包含了四部分子程序，按步骤分别是vocab_count、cooccur、shuffle、glove：

1.vocab_count:用于计算原文本的单词统计（生成vocab.txt,每一行为：单词  词频）

2.cooccur：用于统计词与词的共现，目测类似与word2vec的窗口内的任意两个词（生成的是cooccurrence.bin,二进制文件，呵呵）

3. shuffle：对于2中的共现结果重新整理（一看到shuffle瞬间想到Hadoop，生成的也是二进制文件cooccurrence.shuf.bin）

4.glove：glove算法的训练模型，会运用到之前生成的相关文件（1&3），最终会输出vectors.txt和vectors.bin（前者直接可以打开，下文主要针对它做研究，后者还是二进制文件）

上面已经介绍了这个程序的执行流程，下面就具体训练出这个vectors.txt。

首先二话不说，直接makefile，

make 

就会多出来一个build文件夹

然后再执行sh demo.sh就行了：

sh demo.sh

其中，可以再demo.sh里面，设置训练语料路径（默认是从网上下载一个语料，把这段删了，改成自己的语料路径就行了），还可以设置迭代次数，向量的维度等等，自己随便折腾就行了

经历漫长的等待之后（取决于你的语料有多大，当然了，中文的话，记得分词）

现在，得到了vectors.txt，这就是训练出来的词向量的结果。下面，我们看看怎么用python来加载并使用它。

首先，默认已经装好python+gensim了，并且已经会用word2vec了。

其实，只需要在vectors.txt这个文件的最开头，加上两个数，第一个数指明一共有多少个向量，第二个数指明每个向量有多少维，就能直接用word2vec的load函数加载了

假设你已经加上这两个数了，那么直接

    # Demo: Loads the newly created glove_model.txt into gensim API.
    model=gensim.models.Word2Vec.load_word2vec_format(' vectors.txt',binary=False) #GloVe Model

就行了，剩下的操作就跟word2vec一样了

下面附上 这一段的完整代码（包括把 vectors.txt改成能load的格式，和加载模型）

def load(filename):

    # Input: GloVe Model File
    # More models can be downloaded from http://nlp.stanford.edu/projects/glove/
    # glove_file="glove.840B.300d.txt"
    glove_file = filename

    dimensions = 300

    num_lines = getFileLineNums(filename)
    # num_lines = check_num_lines_in_glove(glove_file)
    # dims = int(dimensions[:-1])
    dims = 300

    print num_lines
    #
    # # Output: Gensim Model text format.
    gensim_file='glove_model.txt'
    gensim_first_line = "{} {}".format(num_lines, dims)
    #
    # # Prepends the line.
    if platform == "linux" or platform == "linux2":
        prepend_line(glove_file, gensim_file, gensim_first_line)
    else:
        prepend_slow(glove_file, gensim_file, gensim_first_line)

    # Demo: Loads the newly created glove_model.txt into gensim API.
    model=gensim.models.Word2Vec.load_word2vec_format(gensim_file,binary=False) #GloVe Model

    model_name = filename[5:-4]
    
    model.save('model\\' + model_name)

    return model

def getFileLineNums(filename):
    f = open(filename,'r')
    count = 0

    for line in f:
        
        count += 1
    return count

def prepend_line(infile, outfile, line):
    """
    Function use to prepend lines using bash utilities in Linux.
    (source: http://stackoverflow.com/a/10850588/610569)
    """
    with open(infile, 'r') as old:
        with open(outfile, 'w') as new:
            new.write(str(line) + "\n")
            shutil.copyfileobj(old, new)

def prepend_slow(infile, outfile, line):
    """
    Slower way to prepend the line by re-creating the inputfile.
    """
    with open(infile, 'r') as fin:
        with open(outfile, 'w') as fout:
            fout.write(line + "\n")
            for line in fin:
                fout.write(line)

这是一段加载模型之后使用的例子，当然了，这个就跟word2vec一样了

def load_model_and_use(model_name):

    model = gensim.models.Word2Vec.load('model/'+model_name)

    print len(model.vocab)

    word_list = [u'发烧',u'流感']

    for word in word_list:
        print word,'--'
        for i in model.most_similar(word, topn=10):
            print i[0],i[1]
        print ''

结果如下

83078
发烧 --
瘟疠 0.561131298542
多无发 0.438511788845
感冒 0.423784643412
寒战 0.41094905138
发冷 0.400202810764
肌肉酸痛 0.394035518169
畏寒 0.391746163368
头痛 0.390283048153
恶寒 0.387357711792
石岐 0.385719358921


流感 --
芭比 0.693880617619
嗜血 0.660785496235
H1N1 0.543790698051
肺炎 0.520848989487
流行性感冒 0.517322063446
副流感 0.51515519619
甲型 0.495822429657
肺炎球菌 0.491611480713
H10N8 0.490446418524
H3N2 0.486712753773

这个是经典的那个 man - king, women -? 的例子

    for i in w2v_model.most_similar(positive=['肺炎', '肺'], negative=['胃炎']):
        print i[0],i[1]

肺部 0.662135243416

肺门区 0.556283473969
通气 0.548550665379
肺泡 0.529182732105
肺气肿 0.525536477566
慢阻 0.512038588524
胸片 0.503533244133
萎陷 0.502206265926
肺透明膜病 0.498196214437
肺段 0.492621898651

可见，效果不太好，可能是语料太少的原因。

关于word2vec模型的格式的探究，可见：

http://blog.csdn.net/sscssz/article/details/51921392