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 86845
공지 [SQL컨셉] 서적 "SQL컨셉"의 샘플 데이타 베이스 SAMPLE DATABASE of ORACLE 가을의 곰을... 2013.02.10 79142
공지 [G_SQL] Sample Database 가을의 곰을... 2012.05.20 95887
46 [데이터분석 & 데이터 사이언스] 수많은 데이터 사이언티스트들이 직장을 떠나는 이유는 무엇인가? file 졸리운_곰 2025.03.09 907
45 [데이터분석][파이썬][python] 한글 글꼴 사용 (matplotlib) 졸리운_곰 2024.04.18 1362
44 [데이터분석 & 데이터 사이언스] 데이터에 관한 꼭 알아야 할 오해와 진실 12가지 졸리운_곰 2024.01.17 1317
43 [데이터분석][파이썬][python] Awesome Dash Awesome file 졸리운_곰 2021.07.10 2344
42 [데이터분석][파이썬][python] ???? Introducing Dash ???? file 졸리운_곰 2021.07.10 1610
41 [dataset] (한글) 욕설 감지 데이터셋 file 졸리운_곰 2021.05.12 1560
40 [데이터분석][python] Dash를 사용하는 초보자 및 기타 모든 사용자를위한 Python의 대시 보드 file 졸리운_곰 2021.04.14 1766
39 [데이터분석][python] Dash를 사용하는 초보자 및 기타 모든 사용자를위한 Python의 대시 보드 file 졸리운_곰 2021.04.14 1605
38 [데이터분석][데이터 사이언스][python][Dash] Python, Dash 및 Plotly를 사용하여 COVID-19 사례 데이터 시각화 file 졸리운_곰 2021.03.28 1503
37 [데이터분석][머신러닝] When not to use machine learning or AI Adventures in wishful thinking, nonstationarity, and pattern-finding / 기계 학습 또는 AI를 사용하지 않아야하는 경우 희망찬 사고, 비정상 성, 패턴 찾기의 모험 file 졸리운_곰 2021.03.28 21624
36 [MSA][머신러닝] 쿠버네티스 기반의 End2End 머신러닝 플랫폼 Kubeflow #1 - 소개 file 졸리운_곰 2021.03.21 1141
35 [데이터사이언스] 데이터 과학자를위한 3 가지 훌륭한 디자인 패턴, 3 Great Design Patterns for Data Scientists file 졸리운_곰 2021.03.04 783
34 [데이터분석] 시계열 데이터에 AI를 사용하는 이유는 무엇입니까? file 졸리운_곰 2021.02.28 1194
33 [데이터분석] AI 예측 및 이상 탐지를위한 시계열 데이터 전처리 file 졸리운_곰 2021.02.28 1035
32 [데이터분석] bitcoin analysis 비트 코인 시계열 데이터에 대한 AI 이상 탐지 file 졸리운_곰 2021.02.27 1600
31 [데이터분석 & 데이터 사이언스] How To Create a Data Science Portfolio Website file 졸리운_곰 2021.02.14 1834
30 [데이터수집4] 오픈 API 데이터 수집 (소셜미디어 데이터 수집) file 졸리운_곰 2020.06.12 1954
29 [데이터수집3] 관계형 데이터베이스 데이터 수집 file 졸리운_곰 2020.06.12 1321
28 [데이터수집2] 분산시스템 로그 수집 (빅데이터 수집) file 졸리운_곰 2020.06.12 1497
27 [데이터수집1] 웹 크롤링, 웹 스크래핑 file 졸리운_곰 2020.06.12 1806
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