기본 콘텐츠로 건너뛰기

Sentencepiece를 이용하여 Korean wiki data Vocab(단어집합) 만들기/생성


대학원 논문으로 XMLR을 이용하여 기계학습을  연구 중 입니다. 수치를 조금이라도 올리고 싶어 제공된 Vocab이 아닌 한글 위주의 Vocab을 만들어 학습 결과를 확인하기 위해 KorWiki를 이용해 Vocab을 만들어 보겠습니다. XMLR의 Vocab은 Sentencepiece로 생성됩니다.
Sentencepiece를 Korean wiki data를 Vocab(단어집합)을 만들어 보겠습니다.

1. training data(Corpus) 수집 

위키피디아는 정기적으로 덤프 파일로 릴리즈 한다. 다음 사이트에서 다운로드 할 수 있습니다.
Korean wiki download site
메인화면: https://ko.wikipedia.org/wiki/%EC%9C%84%ED%82%A4%EB%B0%B1%EA%B3%BC:%EB%8D%B0%EC%9D%B4%ED%84%B0%EB%B2%A0%EC%9D%B4%EC%8A%A4_%EB%8B%A4%EC%9A%B4%EB%A1%9C%EB%93%9C
다운로드: https://dumps.wikimedia.org/kowiki/

다운로드에 접속하면 날짜별로 리스트되어 있습니다. 안으로 들어가면 여러 파일이 있습니다. 메인화면에 들어가면 파일 용도를 확인할 수 있습니다. 내용은 다음과 같습니다.
  • pages-articles.xml.bz2 - 일반 문서의 최신 버전만이 묶여 있고, 전체 편집 역사는 들어있지 않습니다. 대부분의 이용자는 이 파일을 이용하면 됩니다.
  • pages-current.xml.bz2 - 모든 문서의 최신 버전이 묶여 있습니다.
  • pages-full.xml.bz2/7z - 모든 문서(토론 포함)의 최신 버전이 묶여 있습니다.
  • pages-meta-history.xml.bz2 - 모든 문서의 모든 편집 내역이 묶여 있습니다.
  • pages-logging.xml.gz - 모든 문서와 사용자에 대한 행위 기록이 묶여 있습니다.
  • abstract.xml.gz - 문서 요약이 묶여 있습니다.
  • all-titles.gz - 모든 문서 (토론 포함) 의 제목이 묶여 있습니다.
  • all-titles-in-ns0.gz - 모든 문서 (본문만) 의 제목이 묶여 있습니다.
  • redirect.sql.gz - 넘겨주기 문서의 목록이 묶여 있습니다.
  • pagelinks.sql.gz - 위키 문서 간의 링크가 묶여 있습니다.
  • externallinks.sql.gz - 위키 외부로의 링크가 묶여 있습니다.
  • protected_titles.sql.gz - 위키에서 생성보호된 문서의 제목이 묶여 있습니다.
  • user_groups.sql.gz - 사용자의 권한 목록이 묶여 있습니다.
  • user_former_groups.sql.gz - 과거의 사용자 권한 기록이 묶여 있습니다.

일반 문서의 최신 버전파일인 pages-articles.xml.bz2를 다운로드 합니다.
비고)
pages-articles.xml.bz2 바로 아래를 보시면 page별로 나눠진 파일이 있습니다(kowiki-latest-pages-articles1.xml-p1p76864.bz2).
테스트에는 작은 파일로 해보시는걸 권해드립니다.

2. Wiki data parsing 

다운받은 Wiki 데이터는 xml tag등 여러 정보들이 포함되어 있습니다. 이런 필요 없는 정보 정제가 필요합니다. WikiExtractor는 Wikipedia database dump에서 추출 및 클린징을 수행하는 python script입니다.
WikiExtractor 다운로드는 다음 git에서 받을 수 있습니다.
https://github.com/attardi/wikiextractor

수행 방법-1: xml 형태로 추출(default)

  • python WikiExtractor.py ..\Kor_Wiki\kowiki-latest-pages-articles.xml.bz2

text\AA 디렉토리 안에 wiki_{num}형식으로 여러 파일이 생성됩니다.

<doc id="5" url="https://ko.wikipedia.org/wiki?curid=5" title="지미 카터">
지미 카터

제임스 얼 "지미" 카터 주니어(, 1924년 10월 1일 ~ )는 민주당 출신 미국 39번째 대통령 (1977년 ~ 1981년)이다.
....
</doc>

수행 방법-2: json 형태로 추출

  • python WikiExtractor.py --json ..\Kor_Wiki\kowiki-latest-pages-articles.xml.bz2


{"id": "", "url": "", "title": "", "text": ""}
기타 자세한 옵션은 Git에서 확인 가능합니다.

저는 json형태로 추출하였습니다.
wiki data가 여러개 있으므로 반복문으로 수행했습니다. r_dir은 wiki data가 있는 폴더고, file_name은 파일명 입니다. write_file() 함수는 읽어드린 내용을 새로운 파일에 저장하는 함수입니다. 이 파일로 Sentencepiece에서 학습을 진행합니다.

폴더를 확인하면 다음과 같이 파일이 생성된 것을 확인할 수 있습니다.

3. Sentencepiece를 이용하여 Vocab 만들기

Sentencepiece 설치 및 사용법은 다음 포스티을 참고 바랍니다.
URL:



다음 git에서 이번 포스팅 내용에 관련된 소스를 다운로드 받을 수 있습니다.
https://github.com/ynebula/NLP/blob/master/Data/Kor_wiki_data_extract.ipynb


감사합니다.











라벨:

댓글

댓글 쓰기

이 블로그의 인기 게시물

[Deep Learning-딥러닝] 신경망 구조

뉴런 표현 및 연산 방법 생물학의 신경 세포를 단순화하여 모델링 한것이 뉴런입니다.  뉴런은 신경망의 기본 단위 입니다. 뉴런은 여러 신호를 받아, 하나의 신호를 만들어 전달하는 역할을 합니다. 출력을 내기 전에 활성 함수(activation function)을 통해서 비선형 특성을 가할 수 있습니다. 뉴런 연산 방법은 다음과 같습니다. 두 벡터  가중치 weight와 입력 x의  내적 을 구한 후 모두 합한다. 편향을 더합니다.  편향이 없으면, 추세선은 원점을 꼭 지나야 합니다. 활성 함수를 적용 해 비선형 함수로 만듭니다. 두 벡터의 내적은 다음과 같이 표현할 수 있습니다. 두 벡터의 내적 FC(Fully Connected) Layer Matrix 곱셈 연산 표현 방법 뉴런이 모인 한 단위를 계층(Layer)라고 하며, 이전 계층과 다음 계층의 모든 뉴런이 서로 연결된 계층을 Fully-Connected Layer(Dense Layer)라고 합니다. N개의 입력, M개의 출력이 있는 네트워크 예제입니다. 매트릭스  W 의  w 0 는 (N*1)의 벡터이며, 이런  w 0 를 M개 나열되어 있습니다. 입력  x 는 N개라 행렬로 표현하면 (N*1)로 표현됩니다. 가중치를 transpose하여 (M*N)*(N*1)을 연산하여 출력은 (M*1) 형태가 됩니다. 얕은 신경망 - Shallow Neural Network 구조 얕은 신경망 - Shallow Neural Network 입력, 은닉, 출력 3개의 계층으로 되어 있으며, 은닉 계측과 출력 계층이 Fully Connected 계층인 모델을 얕은 신경망(Shallow Neural Network)라고 합니다. 입력 계층(Input Layer) 아무런 연산 없이 은닉계층으로 값을 전달함. 계층의 크기=Node의 개수=입력 Scalar의 수=입력 Vecto...
댓글 쓰기
자세한 내용 보기

SentencePiece 설치 및 사용법

Jupyter notebook 사용 기준으로 설치 및 사용법을 설명합니다. Sentencepiece 특징 및 기능 설명은 다음 사이트에서 참고 바랍니다. https://sungwoony.blogspot.com/2020/04/sentencepiece.html one-sentence-per-line raw corpus file.  tokenizer, normalizer 또는 preprocessor를 실행할 필요가 없습니다. Default로, Unicode NFKC로 SentencePiece input을 정규화 합니다.  설치방법 VM환경에 pip library가 설치되어 있어야 하며, 다음 명령어를 수행하면 설치됩니다. pip install sentencepiece 사용법 Sentencepiece library import setencepiece를 import해야 하며 관례적으로 spm으로 사용합니다. Train SentencePiece Model from corpuse botchan.txt 파일을 다음 사이트에서 다운로드 받을 수 있습니다. https://github.com/google/sentencepiece/blob/master/data/botchan.txt --mode_type의 기본은 uni type입니다. --model_type에 bpe를 넣으면 bpe 타입으로 생성됩니다. Train이 완료되면 "m.uni.model"과 "m.bpe.model" 이 생성됩니다. 둘 의 차이점은 다음에 확인할 수 있습니다. Option Name Description input 파일목록은 쉼표로 구분합니다. model_prefix output model로 prefix. <model_name>.model과 <model_name>.vocab 이 생성됩니다. vocab_size vocabulary size, e.g.. 8000, 16000, o...
댓글 쓰기
자세한 내용 보기

[Deep Learning-딥러닝]SRU(Simple Recurrent Unit)

SRU(Simple Recurrent Unit) SRU는 병렬화와 시퀀스 모델링이 가능한 light recurrence한 unit입니다. 기존 RNN Architecture(RNN, LSTM, GRU)는 previous time step에 대한 의존성 때문에 병렬처리가 불가능하여 학습 속도가 느렸습니다. 이런 단점을 SRU는 높은 병렬화 및 시퀀스 모델링 기능을 제공하여 학습시간 단축시켰습니다. SRU는 분류, 질의응답에서 cuDNN-optimized LSTM보다 5~9배 빠른 속도를 보였고, LSTM과 convolutional models보다 좋은 성능을 보였습니다. 특징 SRU의 state연산은 time-dependent이지만, 각 state 차원은 independent입니다. 이것은 hidden dimension과 time steps에서 병렬화 연산하는 CUDA-level optimization으로 병렬 처리 가능합니다. SRU는 convolutions을 더 많은 recurrent 연결로 대체하였습니다(QRNN과 KNN과 같이). 이건 적은 연산으로 모델링을 유지합니다. SRU는 highway connection방법과 deep architecture에서 gradient전파에 맞게 조정된 매개 변수 초기화 체계를 사용하여 deep recurrent models training을 개선합니다. 연산방법 SRU는 forget gate, state, reset gate, hidden state 연산을 수행합니다. Light recurrence (1, 2번 수식) Forget gate: 정보 흐름을 제어 State: 이전 state와 현재 입력을 forget gate에 따라 조정 특징 - 문자열 정보를 위해 input x와 state c를 연산 - 이전 state에 영향을 받음 - 병렬처리를 위해 matrix multiplication 대신 point-wise multiplication 연산 수행 Highway network (3, 4번 수식) Hidden ...
댓글 쓰기
자세한 내용 보기