前提・実現したいこと
word2vecで入力した単語(日本語)の関連単語を出力するプログラムを作りたいです。
このサイトのサンプルプログラム1を使いました。
27行目のraw_sentences.txtを日本語のウィキペディア全文(分かち書きにしたもの)のデータに置き換えただけでできると思い、実行したのですが、関連単語が出力されませんでした。
エラーはありませんでした。
英語ではなく日本語で実行できるようにするにはどうすればいいでしょうか。
教えていただけると幸いです。
該当のソースコード
Java
1import java.io.File; 2import java.io.IOException; 3import java.util.Collection; 4 5import org.deeplearning4j.models.embeddings.loader.WordVectorSerializer; 6import org.deeplearning4j.models.word2vec.Word2Vec; 7import org.deeplearning4j.text.sentenceiterator.LineSentenceIterator; 8import org.deeplearning4j.text.sentenceiterator.SentenceIterator; 9import org.deeplearning4j.text.sentenceiterator.SentencePreProcessor; 10import org.deeplearning4j.text.tokenization.tokenizer.TokenPreProcess; 11import org.deeplearning4j.text.tokenization.tokenizer.preprocessor.EndingPreProcessor; 12import org.deeplearning4j.text.tokenization.tokenizerfactory.DefaultTokenizerFactory; 13import org.deeplearning4j.text.tokenization.tokenizerfactory.TokenizerFactory; 14 15/** 16 * DeepLearning4jでWord2Vecを行うサンプルプログラム 17 * @author karura 18 */ 19public class Word2VecTest1 20{ 21 22 public static void main(String[] args) throws IOException 23 { 24 // コーパス(文章集)データの読み込み 25 // 読み込み時に文字をすべて小文字に変換する 26 System.out.println( "Load data..." ); 27 File f = new File( "input/raw_sentences.txt" ); 28 SentenceIterator ite = new LineSentenceIterator( f ); 29 ite.setPreProcessor( new SentencePreProcessor() 30 { 31 @Override 32 public String preProcess( String sentence ){ return sentence.toLowerCase(); } 33 }); 34 35 // 文章を単語に分解 36 // 分解時に単語を小文字に、半角数を"d"に変換する 37 System.out.println( "Tokenize data..." ); 38 final EndingPreProcessor preProcessor = new EndingPreProcessor(); 39 TokenizerFactory tokenizer = new DefaultTokenizerFactory(); 40 tokenizer.setTokenPreProcessor( new TokenPreProcess() 41 { 42 @Override 43 public String preProcess( String token ) 44 { 45 token = token.toLowerCase(); 46 String base = preProcessor.preProcess( token ); 47 base = base.replaceAll( "\d" , "d" ); 48 return base; 49 } 50 }); 51 52 // モデル作成 53 System.out.println( "Build model..." ); 54 int batchSize = 1000; // 1回のミニバッチで学習する単語数 55 int iterations = 3; 56 int layerSize = 150; 57 58 Word2Vec vec = new Word2Vec.Builder() 59 .batchSize( batchSize ) // ミニバッチのサイズ 60 .minWordFrequency( 5 ) // 単語の最低出現回数。ここで指定した回数以下の出現回数の単語は学習から除外される 61 .useAdaGrad( false ) // AdaGradを利用するかどうか 62 .iterations( iterations ) // 学習時の反復回数 63 .learningRate( 0.025 ) // 学習率 64 .minLearningRate( 1e-3 ) // 学習率の最低値 65 .negativeSample( 10 ) // 66 .iterate( ite ) // 文章データクラス 67 .tokenizerFactory(tokenizer) // 単語分解クラス 68 .build(); 69 70 // 学習 71 System.out.println( "Learning..." ); 72 vec.fit(); 73 74 // モデルを保存 75 System.out.println( "Save Model..." ); 76 WordVectorSerializer.writeWordVectors( vec , "output/words.txt" ); 77 78 // 評価1(二つの単語の類似性) 79 // コサイン距離 80 System.out.println( "Evaluate model..." ); 81 String word1 = "people"; 82 String word2 = "money"; 83 double similarity = vec.similarity( word1 , word2 ); 84 System.out.println( String.format( "The similarity between 「%s」 and 「%s」 is %f" , word1 , word2 , similarity ) ); 85 86 // 評価2(ある単語に最も意味が近い言葉) 87 String word = "day"; 88 int ranking = 10; 89 Collection<String> similarTop10 = vec.wordsNearest( word , ranking ); 90 System.out.println( String.format( "Similar word to 「%s」 is %s" , word , similarTop10 ) ); 91 92 93 } 94 95}
回答1件
あなたの回答
tips
プレビュー