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

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

Парсим Википедию для задач NLP в 4 команды