6

我只是对 gensim 字典的实现感到好奇。我有以下代码:

    def build_dictionary(documents):
        dictionary = corpora.Dictionary(documents)
        dictionary.save('/tmp/deerwester.dict') # store the dictionary
        return dictionary    

我查看了 deerwester.dict 文件,它看起来像这样:

8002 6367 656e 7369 6d2e 636f 7270 6f72
612e 6469 6374 696f 6e61 7279 0a44 6963
7469 6f6e 6172 790a 7101 2981 7102 7d71
0328 5508 6e75 6d5f 646f 6373 7104 4b09
5508 ...

但是,以下代码

my_dict = dictionary.load('/tmp/deerwester.dict') 
print my_dict.token2id #view dictionary

产生这个:

{'minors': 30, 'generation': 22, 'testing': 16, 'iv': 29, 'engineering': 15, 'computer': 2, 'relation': 20, 'human': 3, 'measurement': 18, 'unordered': 25, 'binary': 21, 'abc': 0, 'ordering': 31, 'graph': 26, 'system': 10, 'machine': 6, 'quasi': 32, 'random': 23, 'paths': 28, 'error': 17, 'trees': 24, 'lab': 5, 'applications': 1, 'management': 14, 'user': 12, 'interface': 4, 'intersection': 27, 'response': 8, 'perceived': 19, 'widths': 34, 'well': 33, 'eps': 13, 'survey': 9, 'time': 11, 'opinion': 7}

所以我的问题是,因为我没有看到 .dict 文件中的实际单词,所以存储在那里的所有十六进制值是什么?这是某种超级压缩格式吗?我很好奇,因为我觉得如果是的话,我应该考虑从现在开始使用它。

4

1 回答 1

11

举个例子:

>>> from gensim import corpora
>>> docs = ["this is a foo bar", "you are a foo"]
>>> texts = [[i for i in doc.lower().split()] for doc in docs]
>>> print texts
[['this', 'is', 'a', 'foo', 'bar'], ['you', 'are', 'a', 'foo']]

>>> dictionary = corpora.Dictionary(texts)
>>> dictionary.save('foobar.txtdic')

如果您使用gensim.corpora.dictionary.save_as_text()(参见https://github.com/piskvorky/gensim/blob/develop/gensim/corpora/dictionary.py),您应该得到以下文本文件:

0   a   2
5   are 1
1   bar 1
2   foo 2
3   is  1
4   this    1
6   you 1

如果您使用 default gensim.corpora.dictionary.save(),它会保存到一个腌制的二进制文件中。见https://github.com/piskvorky/gensim/blob/develop/gensim/utils.pyclass SaveLoad(object) _

有关 的信息pickle,请参阅http://docs.python.org/2/library/pickle.html#pickle-example

于 2013-09-18T09:52:36.633 回答