2

我有一个包含计算 LSI 相似度所需的各种对象的类：

class SimilarityFiles:

    def __init__(self, file_name, tokenized_corpus, stoplist=None):
        if stoplist is None:
            self.filtered_corpus = tokenized_corpus
        else:
            self.filtered_corpus = []
            for convo in tokenized_corpus:
                self.filtered_corpus.append([token for token in convo if token not in stoplist])
        self.dictionary = corpora.Dictionary(self.filtered_corpus)
        self.corpus = [self.dictionary.doc2bow(text) for text in self.filtered_corpus]
        self.lsi = models.LsiModel(self.corpus, id2word=self.dictionary, num_topics=100)
        self.index = similarities.MatrixSimilarity(self.lsi[self.corpus])

我现在想向类添加一个函数，以允许将文档添加到语料库并相应地更新模型。我发现dictionary.add_documents, 和model.add_documents，但有两件事我不清楚：

  1. 当您最初创建 LSI 模型时，函数接收的参数之一是id2word=dictionary. 更新模型时，如何告诉它使用更新后的字典？它实际上是不必要的，还是会有所作为？
  2. 如何更新索引？从文档中可以看出，如果我使用Similarity类而不是MatrixSimilarity类，我可以将文档添加到索引中，但我看不到MatrixSimilarity. 如果我理解正确，那么MatrixSimilarity如果我的输入语料库包含密集向量会更好（确实如此，因为我使用的是 LSI 模型）。我是否必须将其更改为Similarity才能更新索引？或者，相反，创建这个索引的复杂性是什么？如果它无关紧要，我是否应该使用更新的语料库创建一个新索引，如下所示：

代码：

self.dictionary.add_documents(new_docs)    # new_docs is already after filtering stop words
new_corpus = [self.dictionary.doc2bow(text) for text in new_docs]
self.lsi.add_documents(new_corpus)
self.index = similarities.MatrixSimilarity(self.lsi[self.corpus])

谢谢。:)

4

1 回答 1

2

似乎它不会更新字典..它只是添加一个新文档而不是新功能..所以你应该采取不同的方法..
我遇到了同样的问题，我发现这个问题在 gensim githup 上很有帮助

于 2018-09-27T18:44:12.877 回答