Парсим Википедию для задач NLP в 4 команды +9


Суть


Оказывается для этого достаточно запуcтить всего лишь такой набор команд:


git clone https://github.com/attardi/wikiextractor.git
cd wikiextractor
wget http://dumps.wikimedia.org/ruwiki/latest/ruwiki-latest-pages-articles.xml.bz2
python3 WikiExtractor.py -o ../data/wiki/ --no-templates --processes 8 ../data/ruwiki-latest-pages-articles.xml.bz2

и потом немного отполировать скриптом для пост-процессинга


python3 process_wikipedia.py

Результат — готовый .csv файл с вашим корпусом.


Понятное дело, что:


  • http://dumps.wikimedia.org/ruwiki/latest/ruwiki-latest-pages-articles.xml.bz2 можно поменять на нужный вам язык, больше деталей тут [4];
  • Всю информацию о параметрах wikiextractor можно найти в мануале (кажется даже официальная дока не обновлялась, в отличие от мана);

Скрипт с пост-процессингом конвертирует вики файлы в такую таблицу:


idx article_uuid sentence cleaned sentence cleaned sentence length
0 74fb822b-54bb-4bfb-95ef-4eac9465c7d7 Жан I де Шатильон (граф де Пентьевр)Жан I де Ш... жан i де шатильон граф де пентьевр жан i де ша... 38
1 74fb822b-54bb-4bfb-95ef-4eac9465c7d7 Находился под охраной Роберта де Вера, графа О... находился охраной роберта де вера графа оксфор... 18
2 74fb822b-54bb-4bfb-95ef-4eac9465c7d7 Однако этому воспротивился Генри де Громон, гр... однако этому воспротивился генри де громон гра... 14
3 74fb822b-54bb-4bfb-95ef-4eac9465c7d7 Король предложил ему в жёны другую важную особ... король предложил жёны другую важную особу фили... 48
4 74fb822b-54bb-4bfb-95ef-4eac9465c7d7 Жан был освобождён и вернулся во Францию в 138... жан освобождён вернулся францию году свадьба м... 52

article_uuid — псевдо-уникальный ключ, порядок предложений по идее должен сохраниться после такого пре-процессинга.


Зачем


Пожалуй, на настоящий момент развитие ML-инструментов достигло такого уровня [8], что для построения работающей NLP модели / пайплайна достаточно буквально пары дней. Проблемы возникают только при отсутствии надежных датасетов / готовых эмбеддингов/ готовых языковых моделей. Цель данной статьи — немного облегчить вашу боль, показав, что для обработки всей Википедии (по идее самого популярного корпуса для тренировки эмбеддингов слов в NLP) хватит и пары часов. В конце концов, если достаточно пары дней, чтобы построить простейшую модель, зачем тратить куда больше времени на получение данных для этой модели?


Принцип работы скрипта


wikiExtractor сохраняет статьи из Вики в виде текста, разделенного <doc> блоками. Собственно, в основе скрипта лежит следующая логика:


  • Берём список всех файлов на выходе;
  • Делим файлы на статьи;
  • Удаляем все оставшиеся HTML теги и специальные символы;
  • С помощью nltk.sent_tokenize разделяем на предложения;
  • Чтобы код не разросся до огромных размеров и остался читаемым, каждой статье присваиваем свой uuid;

В качестве препроцессинга текста просто (можно легко перепилить под себя):


  • Удаляем небуквенные символы;
  • Удаляем стоп-слова;

Датасет есть, что теперь?


Основное применение


Чаще всего на практике в NLP приходится сталкиваться с задачей построения эмбеддингов.


Для ее решения обычно используют один из следующих инструментов: :


  • Готовые векторы / эмбеддинги слов [6];
  • Внутренние состояния CNN, натренированных на таких задачах как, как определение фальшивых предложений / языковое моделирование / классификация [7];
  • Комбинация выше перечисленных методов;

Кроме того, уже много раз было показано [9], что в качестве хорошего бейслайна для эмбеддингов предложений можно взять и просто усредненные (с парой незначительных деталей, которые сейчас опустим) векторы слов.


Другие варианты использования


  • Используем случайные предложения из Вики в качестве негативных примеров для triplet loss-а;
  • Обучаем энкодеры для предложений с помощью определения фальшивых фраз [10];

Немного графиков для русской Вики


Распределение длины предложений для Русской Википедии


Без логарифмов (по оси X значения ограничены числом 20)



В десятичных логарифмах



Ссылки


  1. Fast-text векторы слов, натренированные на Вики;
  2. Fast-text и Word2Vec модели для русского языка;
  3. Потрясающая wiki extractor библиотека для питона;
  4. Официальная страница с ссылками для Вики;
  5. Наш скрипт для пост-процессинга;
  6. Основные статьи про эмбеддинги слов: Word2Vec, Fast-Text, тюнинг;
  7. Несколько текущих SOTA подходов:
    1. InferSent;
    2. Generative pre-training CNN;
    3. ULMFiT;
    4. Контекстные подходы для представления слов (Elmo);
  8. Imagenet moment в NLP?
  9. Бейслайны для эмбеддингов предложений 1, 2, 3, 4;
  10. Определение фальшивых фраз для энкодера предложений;




К сожалению, не доступен сервер mySQL