python - 我们可以使用自制的语料库使用 gensim 进行 LDA 训练吗？

Question

我必须应用 LDA（潜在狄利克雷分配）从我收集的 20,000 个文档的数据库中获取可能的主题。

我如何使用这些文档而不是其他可用的语料库（如布朗语料库或英语维基百科）作为训练语料库？

你可以参考这个页面。

Answer 1

在浏览了 Gensim 包的文档后，我发现总共有 4 种方法可以将文本存储库转换为语料库。

语料库共有 4 种格式：

1. 市场矩阵 (.mm)
2. 支持向量机灯 (.svmlight)
3. Blie 格式 (.lad-c)
4. 低格式 (.low)

在这个问题中，如上所述，数据库中共有 19,188 个文档。必须阅读每个文档并从句子中删除停用词和标点符号，这可以使用nltk.

import gensim
from gensim import corpora, similarities, models

##
##Text Preprocessing is done here using nltk
##

##Saving of the dictionary and corpus is done here
##final_text contains the tokens of all the documents

dictionary = corpora.Dictionary(final_text)
dictionary.save('questions.dict');
corpus = [dictionary.doc2bow(text) for text in final_text]
corpora.MmCorpus.serialize('questions.mm', corpus)
corpora.SvmLightCorpus.serialize('questions.svmlight', corpus)
corpora.BleiCorpus.serialize('questions.lda-c', corpus)
corpora.LowCorpus.serialize('questions.low', corpus)

##Then the dictionary and corpus can be used to train using LDA

mm = corpora.MmCorpus('questions.mm')
lda = gensim.models.ldamodel.LdaModel(corpus=mm, id2word=dictionary, num_topics=100, update_every=0, chunksize=19188, passes=20)

通过这种方式，人们可以将他的数据集转换为可以使用 gensim 包使用 LDA 进行主题建模训练的语料库。