한국어 뉴스 데이터로 딥러닝 시작하기 - 4. doc2vec 모델 훈련하기  

 

 

 

 

한국어 뉴스 데이터로 딥러닝 시작하기 

 

 

4. doc2vec 모델 훈련하기 

 

 

1. 한국어 위키 덤프 다운로드 받기 바로가기  

2. 위키 덤프 데이터 파싱하기 바로가기

3. 위키 데이터 한국어 형태소 태깅하기 바로가기

 

 

 

word2vec이나 doc2vec을 사용하기 위해서는 gensim 패키지를 설치해야한다. 

gensim은 topic modeling 관련 corpus 및 알고리즘들이 포함되어 있는 파이썬 패키지이다. 

 

 

아래 gensim 설치 페이지를 참고해서 gensim을 설치하자. 

 

gensim 설치 페이지 바로가기 

 

 

아래는 doc2vec 관련 사이트들이다. 

특히 doc2vec 사용 예제 스크립트는 정말 유용하니 doc2vec 사용시 참고하면 좋을 것이다. 

 

doc2vec API 

 https://radimrehurek.com/gensim/models/doc2vec.html

 

doc2vec github

 https://github.com/RaRe-Technologies/gensim/tree/develop/gensim/models

 
 https://github.com/RaRe-Technologies/gensim/blob/develop/docs/notebooks/doc2vec-IMDB.ipynb
 
 
 
아래는 doc2vec model 훈련 스크립트이다.  
 
 

 

 

#-*- coding: utf-8 -*-

 

from gensim.models import doc2vec

import sys

import multiprocessing

 

 

reload(sys)

sys.setdefaultencoding('utf-8')

 

cores = multiprocessing.cpu_count()

 

#doc2vec parameters

경축! 아무것도 안하여 에스천사게임즈가 새로운 모습으로 재오픈 하였습니다.
어린이용이며, 설치가 필요없는 브라우저 게임입니다.
https://s1004games.com

vector_size = 300

window_size = 15

word_min_count = 2

sampling_threshold = 1e-5

negative_size = 5

train_epoch = 100

dm = 1 #0 = dbow; 1 = dmpv

worker_count = cores #number of parallel processes

 

print len(sys.argv)

if len(sys.argv) >= 3:

inputfile = sys.argv[1]

modelfile = sys.argv[2]

else:

inputfile = "./data/sample.txt"

modelfile = "./model/doc2vec.model"

 

word2vec_file = modelfile + ".word2vec_format"

 

sentences=doc2vec.TaggedLineDocument(inputfile)

#build voca 

doc_vectorizer = doc2vec.Doc2Vec(min_count=word_min_count, size=vector_size, alpha=0.025, min_alpha=0.025, seed=1234, workers=worker_count)

doc_vectorizer.build_vocab(sentences)

 

# Train document vectors!

for epoch in range(10):

doc_vectorizer.train(sentences)

doc_vectorizer.alpha -= 0.002 # decrease the learning rate

doc_vectorizer.min_alpha = doc_vectorizer.alpha # fix the learning rate, no decay

 

# To save

doc_vectorizer.save(modelfile)

 

doc_vectorizer.save_word2vec_format(word2vec_file, binary=False)

 

 

 

 

 

생성한 모델 파일을 로딩해서 간단하게 테스트를 해보자. 

 
 
 
>>> import gensim
>>> import sys
>>> reload(sys)
<module 'sys' (built-in)>
>>> sys.setdefaultencoding('utf-8')
 
>>> model = gensim.models.Doc2Vec.load("/home/wiki/stock/model/wiki_pos_tokenizer_without_taginfo.model")
 
 
>>> pprint(model.most_similar(u'정조', topn=20))
[(영조, 0.7687888741493225),
 (세조, 0.7312556505203247),
 (성종, 0.7187798023223877),
 (선조, 0.6738545894622803),
 (고종, 0.6698656678199768),
 (명종, 0.668306827545166),
 (숙종, 0.6636559367179871),
 (순조, 0.6635199189186096),
 (중종, 0.6620699167251587),
 (철종, 0.6494218707084656),
 (현종, 0.6376042366027832),
 (공민왕, 0.6369210481643677),
 (충렬왕, 0.6366174817085266),
 (헌종, 0.6334968209266663),
 (효종, 0.6176850199699402),
 (게이초, 0.6152774095535278),
 (인조, 0.611142635345459),
 (겐로쿠, 0.6079166531562805),
 (광해군, 0.6072803139686584),
 (태종, 0.6041624546051025)]
 
 
 
 
 
결과는 그럴듯하다. 
다음은 그 유명한 왕 - 남자 + 여자 = 여왕 이 제대로 나오나 확인해보겠다. 
 
 
v(KING) – v(MAN) + v(WOMAN) = v(QUEEN) 
 

 

 
 
 
 
>>> pprint(model.most_similar(positive=[u'여자', u'왕'], negative=[u'남자']))
[(추기경, 0.45528921484947205),
 (동상, 0.451805979013443),
 (방언, 0.44704046845436096),
 (국왕, 0.4468614459037781),
 (성품, 0.44469308853149414),
 (패러다임, 0.43862420320510864),
 (총독, 0.4380437433719635),
 (도장, 0.43768829107284546),
 (연합군, 0.4367105960845947),
 (감독, 0.42979687452316284)]
 
 
 
 
 
여왕이라고 딱 나와주면 좋을 것 같은데 나오지 않았다 -_-!
 
혹시 해서 vector를 1000개로 테스트하니 그제서야 여왕이 결과에 포함되었다. 
당연한 이야기겠지만 벡터의 개수가 생성된 벡터 스페이스의 결과에 영향을 주는것을 확인하였다 -_-!
 
 
 
>>> pprint(model.most_similar(positive=[u'여자', u'왕'], negative=[u'남자']))
[(국왕, 0.34298175573349),
 (왕인, 0.2681395709514618),
 (초등, 0.2596897780895233),
 (여왕, 0.2578367292881012),
 (성당, 0.23974566161632538),
 (군, 0.23846948146820068),
 (의원, 0.23629550635814667),
 (출신, 0.233859583735466),
 (감독, 0.2312195748090744),
 (도서관, 0.23090218007564545)]
 
 
 
 
 
 
 
 
 
 
 
참고로 위 코드들 및 기훈련된 doc2vec model 파일들은 아래 github에 올려두었다. 
앞으로 진행되는 다른 연재 자료들도 계속 추가할 예정이니 필요하신 분은 watch를 걸어주셍 : ) 
 
 
 https://github.com/roboreport/doc2vec-api/
 
 
 
 
 
참고: http://textminingonline.com/training-word2vec-model-on-english-wikipedia-by-gensim
 



출처: https://adana.tistory.com/entry/한국어-뉴스-데이터로-딥러닝-시작하기-4-doc2vec-모델-훈련하기 [일인개발자 되기]

 

 

 

 

본 웹사이트는 광고를 포함하고 있습니다.
광고 클릭에서 발생하는 수익금은 모두 웹사이트 서버의 유지 및 관리, 그리고 기술 콘텐츠 향상을 위해 쓰여집니다.
번호 제목 글쓴이 날짜 조회 수
공지 오라클 기본 샘플 데이터베이스 졸리운_곰 2014.01.02 86672
공지 [SQL컨셉] 서적 "SQL컨셉"의 샘플 데이타 베이스 SAMPLE DATABASE of ORACLE 가을의 곰을... 2013.02.10 79030
공지 [G_SQL] Sample Database 가을의 곰을... 2012.05.20 95791
42 블록체인 기반 플랫폼 비즈니스를 이해하자 졸리운_곰 2017.09.10 1556
41 다운타임 없는 서비스 구현 패턴 file 졸리운_곰 2017.09.10 1232
40 테이블의 수직분할과 수평분할에 대한 이해 file 졸리운_곰 2017.09.10 3912
39 정규화와 응집도에 대한 고찰 file 졸리운_곰 2017.05.28 1788
38 머신러닝 새 도전…“클라우드를 벗어나라" file 졸리운_곰 2017.05.28 1713
37 보안성 높이는 공공 거래장부 블록체인 file 졸리운_곰 2017.05.28 1767
36 디지털, 속도의 전쟁 VS 데이터, 품질의 전쟁 file 졸리운_곰 2017.05.05 1520
35 04. 데이터 모델링의 3단계 진행 file 졸리운_곰 2016.03.15 1664
34 데이터베이스 설계의 기본 원리.pdf file 졸리운_곰 2016.03.15 2354
33 실체유형(Entity Type) 정의 사항 및 도출 file 졸리운_곰 2015.05.21 2199
32 마농의 SQL 백문백답: 단순하고 쉽게 작성하는 SQL 노하우 [1회] file 졸리운_곰 2015.05.21 1831
31 sql개발자-sql전문가자격시험 시험 예제.pdf file 졸리운_곰 2015.02.15 2303
30 데이터베이스 선정에는 비밀이 있다 - 4부 졸리운_곰 2015.01.15 2102
29 데이터베이스 선정에는 비밀이 있다 - 3부 졸리운_곰 2015.01.15 2050
28 데이터베이스 선정에는 비밀이 있다 - 2부 졸리운_곰 2015.01.15 1830
27 데이터베이스 선정에는 비밀이 있다 - 1부 졸리운_곰 2015.01.15 2395
26 지금 우리에게 필요한 것은 데이터베이스 성능 최적화이다 (2부) 졸리운_곰 2015.01.15 1490
25 우리에게 필요한 것은 데이터베이스 성능 (1부) 졸리운_곰 2015.01.15 1788
24 21회 결과 secret 졸리운_곰 2014.11.10 0
23 [데이터아키텍쳐준전문가] 시험 fail 자료 secret 졸리운_곰 2014.08.31 0
대표 김성준 주소 : 경기 용인 분당수지 U타워 등록번호 : 142-07-27414
통신판매업 신고 : 제2012-용인수지-0185호 출판업 신고 : 수지구청 제 123호 개인정보보호최고책임자 : 김성준 sjkim70@stechstar.com
대표전화 : 010-4589-2193 [fax] 02-6280-1294 COPYRIGHT(C) stechstar.com ALL RIGHTS RESERVED