Word2Vec インストールからモデル作成、実行まで。

###（記事公開の背景）
ubuntu16.04で2018年5月当時に試した内容になります。
下書きに入ったままになっていたのですが、どなたかのお役に立てればと思い、公開します。Cabochaに苦労したような記憶が。。。

(参考サイト)
https://m0t0k1ch1st0ry.com/blog/2016/08/28/word2vec/

##仮想環境の作り方
仮想環境内でバージョン管理等が可能なので、仮想環境によって、モジュールのバージョンを変えたりすることが可能。失敗しても、仮想環境ごと削除等可能。

$ mkdir originaldir #作りたいディレクトリ名
$ cd originaldir
$ python3 -m venv originalenv #作りたい仮想環境名

##venvの有効化

$ source bin/activate originalenv

(参考サイト)
https://m0t0k1ch1st0ry.com/blog/2016/07/30/nlp/

このサイトの中でやったこと

##Mecabインストール

$ wget 'https://drive.google.com/uc?export=download&id=0B4y35FiV1wh7cENtOXlicTFaRUE' -O mecab-0.996.tar.gz
$ tar zxvf mecab-0.996.tar.gz
$ cd mecab-0.996
$ ./configure --with-charset=utf8 --enable-utf8-only
$ make
$ sudo make install
$ mecab --version
mecab of 0.996

##辞書インストール

/mecab-ipadic-2.7.0-20070801$ wget 'https://drive.google.com/uc?export=download&id=0B4y35FiV1wh7MWVlSDBCSXZMTXM' -O mecab-ipadic-2.7.0-20070801.tar.gz
/mecab-ipadic-2.7.0-20070801$ tar zxvf mecab-ipadic-2.7.0-20070801.tar.gz
/mecab-ipadic-2.7.0-20070801$ ./configure --with-charset=utf8
/mecab-ipadic-2.7.0-20070801$ make
/mecab-ipadic-2.7.0-20070801$ sudo make install

##Mecab とPython3のバインド

$ pip install mecab-python3
$ pip list | grep mecab-python3
mecab-python3 0.7 

「sudo:pip3 コマンドが見つかりません」や「pip3: コマンドが見つかりません」でエラーが出たら、依存関係を疑う。

##CRF++インストール

$ wget 'https://drive.google.com/uc?export=download&id=0B4y35FiV1wh7QVR6VXJ5dWExSTQ' -O CRF++-0.58.tar.gz
$ tar zxvf CRF++-0.58.tar.gz
$ cd CRF++-0.58
$ ./configure
$ make
$ sudo make install

##Cabochaダウンロード
###苦戦ポイント１
僕もそうですが、いろいろ調べると、みなさんまずここで苦戦するようです。

Googleドライブから、「cabocha-0.69.tar.bz2」を仮想envのディレクトリにダウンロード。
https://drive.google.com/drive/folders/0B4y35FiV1wh7cGRCUUJHVTNJRnM
ダウンロードしたディレクトリ内で、展開。

###苦戦ポイント2
makeでエラーがでました。
エラー内容：「'install-libLTLIBRARIES' のレシピで失敗しました」
いろいろ調べたところ、「libigraph0-dev」を入れたら、解決しました。

#https://qiita.com/manabu013/items/b368b4fd0965e7ee6eb9
#対処 Failing to install python-igraph
$ sudo apt-get install -y libigraph0-dev 

##Cabochaインストール

$ tar jxvf cabocha-0.69.tar.bz2
$ cd cabocha-0.69
$ ./configure --with-charset=utf8 --enable-utf8-only
$ make
$ make install
$ cabocha --version
cabocha of 0.69

###Cabochaとpyhonバインド

$ cd cabocha-0.69/python
/cabocha-0.69/python$ python setup.py install
/cabocha-0.69/python$ pip list | grep cabocha-python
cabocha-python 0.69

##gensimインストール

$ pip install gensim
$ pip list | grep gensim
gensim          3.4.0  

##「老人と海」を入手
次のURLより「ファイルのダウンロード」から、「テキストファイル(ルビあり)」を選択。zip形式ファイルを入手。
https://www.aozora.gr.jp/cards/001847/card57347.html#download

##「老人と海」の解凍

$ unzip 57347_ruby_57225.zip 
$ wc rojinto_umi.txt #サイズ確認
   726    807 122222 rojinto_umi.txt

##テキストファイルの余分な部分の削除
「rojinto_umi.txt」をテキストエディタで開き、最初の記号の説明や、最後の翻訳に関する説明は削除。
削除のフィあるサイズは次の通り。

$ wc rojinto_umi.txt #サイズ確認
   634    643 174428 rojinto_umi.txt

$ sudo apt install nkf #文字コードを確認するために、「nkf」をインストール
$ nkf -g rojinto_umi.txt #文字コード確認
Shift_JIS
$ nkf -w --overwrite rojinto_umi.txt #UTF-8へ変換
$ nkf -g rojinto_umi.txt #文字コード確認
UTF-8

##分かち書き
Mecabで分かち書きする。
次の「wakati.py」と「rojin_umi.txt」を同じディレクトリに置き、Mecabで分かち書きした「rojinto_umi_wakati.txt」を作成する。

#wakati.py
# -*- coding: utf-8 -*-

import MeCab
import sys

tagger = MeCab.Tagger('-F\s%f[6] -U\s%m -E\\n')

fi = open(sys.argv[1], 'r')
fo = open(sys.argv[2], 'w')

line = fi.readline()
while line:
    result = tagger.parse(line)
    fo.write(result[1:]) # skip first \s
    line = fi.readline()

fi.close()
fo.close()

$ python wakati.py rojinto_umi.txt rojinto_umi_wakati.txt

##Word2Vecの実行
Word2Vecでモデルを作成する。
次の「train.py」と「rojinto_umi_wakati.txt」を同じディレクトリに置き、「rojinto_umi.model」を作成。

#train.py
# -*- coding: utf-8 -*-

from gensim.models import word2vec
import logging
import sys

logging.basicConfig(format='%(asctime)s : %(levelname)s : %(message)s', level=logging.INFO)

sentences = word2vec.LineSentence(sys.argv[1])
model = word2vec.Word2Vec(sentences,
                          sg=1,
                          size=100,
                          min_count=1,
                          window=10,
                          hs=1,
                          negative=0)
model.save(sys.argv[2])

$ python train.py rojinto_umi_wakati.txt rojinto_umi.model

##作成したモデルの確認
作成したモデルを利用して、こちらが入力した単語に対して、コサイン類似度の高い単語を数値付きで抽出。

#similars.py
# -*- coding: utf-8 -*-

from gensim.models import word2vec
import sys

model   = word2vec.Word2Vec.load(sys.argv[1])
results = model.most_similar(positive=sys.argv[2], topn=10)

for result in results:
    print(result[0], '\t', result[1])

「仲間」とコサイン類似度の高い単語の抽出。
分かち書きしたボキャブラリ「rojinto_umi_wakati.txt」に無い単語に対しては、エラーが出る。

$ python similars.py rojinto_umi.model 仲間

幸運 	 0.956790566444397
素晴らしい 	 0.9093707799911499
でも 	 0.9033694267272949
礼 	 0.903014600276947
欲しい 	 0.9010084271430969
のに 	 0.8994028568267822
やり方 	 0.8970744609832764
ぞ 	 0.8941289782524109
ん 	 0.8937863111495972
はず 	 0.8931283354759216

「褐色」とコサイン類似度の高い単語を抽出。

$ python similars.py rojinto_umi.model 褐色

軽蔑 	 0.9831672310829163
ウミガメ 	 0.9824434518814087
アカ 	 0.978451132774353
ぴんと 	 0.9747155904769897
親しみ 	 0.9722762107849121
銅 	 0.9676532745361328
汁 	 0.9667260646820068
飛び散る 	 0.966325044631958
拡がる 	 0.9662150144577026
ダイオウ 	 0.9642153382301331