1.下载维基百科中文语料
http://www.52nlp.cn/中英文维基百科语料上的Word2Vec实验中下载中文维基百科数据，也可从中文数据的下载地址是：https://dumps.wikimedia.org/zhwiki/latest/zhwiki-latest-pages-articles.xml.bz2。
2.xml的wiki数据转换为text格式
参考http://www.mamicode.com/info-detail-1699780.html这篇博客
import logging import os.path import sys from gensim.corpora import WikiCorpus 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 = b'' i = 0 output = open(outp, 'w',encoding='utf-8') wiki = WikiCorpus(inp, lemmatize=False, dictionary={}) for text in wiki.get_texts(): s=space.join(text) s=s.decode('utf8') + "\n" output.write(s) i = i + 1 if (i % 10000 == 0): logger.info("Saved " + str(i) + " articles") output.close() logger.info("Finished Saved " + str(i) + " articles") 然后打开cmd,输入python G:\维基百科语料\process_wiki.py G:\维基百科语料\zhwiki-latest-pages-articles.xml.bz2 G:\维基百科语料\wiki.zh.text （因为我是直接打开cmd,没有在维基百科语料中打开，因此需要标清楚每个文件的路径，不然就会提示错误：No such file or directory）3.进行繁化简
首先先安装opencc 安装exe的版本 到https://bintray.com/package/files/byvoid/opencc/OpenCC 中下载
opencc-1.0.1-win64.7z 解压到自定义目录下，我给解压在了C盘下 C:\Users\xiaolin\opencc-1.0.1-win64
参考一下博客上面写在wiki.zh.text所在文件下打开命令窗口运行该命令C:\Users\xiaolin\opencc-1.0.1-win64\opencc.exe -i wiki.zh.text -o Wiki.zh.text.jian -c zht2hs.iniz
出现发现opencc-1.0.1-win64中没有这个文件，
然后阅读了http://blog.sina.com.cn/s/blog_703521020102zb5v.html这篇博客知道 t2s.json Traditional Chinese to Simplified Chinese 繁體到簡體
所以更改命令为C:\Users\xiaolin\opencc-1.0.1-win64\opencc.exe -i wiki.zh.text -o wiki.zh.text.jian -c C:\Users\xiaolin\opencc-1.0.1-win64\t2s.json
-i表示输入文件，-o表示输出文件，t2s.json表示繁体转换为简体
这样就实现了化繁为简
4.进行分词
用python自带的结巴分词进行分词
import jieba import jieba.analyse import jieba.posseg as pseg import codecs,sys def cut_words(sentence): #print sentence return " ".join(jieba.cut(sentence)).encode('utf-8') f=codecs.open('wiki.zh.text.jian','r',encoding="utf-8") target = codecs.open("wiki.zh.jian.fenci.txt", 'w',encoding="utf-8") print ('open files') line_num=1 line = f.readline() while line: print('---- processing ', line_num, ' article----------------') line_seg = " ".join(jieba.cut(line)) target.writelines(line_seg) line_num = line_num + 1 line = f.readline() f.close() target.close() exit() while line: curr = [] for oneline in line: #print(oneline) curr.append(oneline) after_cut = map(cut_words, curr) target.writelines(after_cut) print ('saved',line_num,'articles') exit() line = f.readline1() f.close() target.close() 5.训练Word2vec模型
参考https://magicly.me/word2vec-first-try-md/这篇博客
用52nlp的训练模型可能是内存不足，还是其他问题，总是出现slowly version gensim.doc2vec is being used,但是一直没有结果运行出来，参考这个博客，试了一下这个代码，在spyder3里跑了一下，结果跑通了。
import multiprocessing from gensim.models import Word2Vec from gensim.models.word2vec import LineSentence inp = 'G:\\维基百科语料\\wiki.zh.jian.fenci.txt' outp1 = 'G:\\维基百科语料\\wiki-zh-model' outp2 = 'G:\\维基百科语料\\wiki-zh-vector' model = Word2Vec(LineSentence(inp), size = 400, window = 5, min_count = 5, workers = multiprocessing.cpu_count()) model.save(outp1) ## 以二进制格式存储 model.save_word2vec_format(outp2, binary = False) ## 以文本格式存储， 一行是一个词的vector 运行结果如下：
运行完之后会得到三个文件：wiki-zh-model、wiki-zh-model.syn1neg.npy、wiki-zh-model.wv.syn0.npy
5.进行word2vec模型测试
from gensim.models import Word2Vec model = Word2Vec.load('G:\\维基百科语料\\wiki-zh-model') # model = Word2Vec.load_word2vec_format('./wiki-zh-vector', binary = False) # 如果之前用文本保存话， 用这个方法加载 res = model.most_similar('游泳') print(res) 测试结果：
任务完成！！！
不过还需要改进的是可以在分词前把文档进行一些处理：去掉英文、去掉停用词、去掉标点符号等等
可以参考：http://www.cnblogs.com/little-horse/p/6701911.html
