我得到了问题的解决方案,有两个我不关心的参数应该传递给Phrases()模型 ,它们是
min_count忽略所有总计数低于此值的单词和双字母组。 默认值是5
阈值表示形成短语的阈值(越高意味着短语越少)。如果(cnt(a,b)-min_count)* N /(cnt(a)* cnt(b))>阈值,则接受单词a和b的短语,其中N是总词汇量。 默认值是10.0
对于上面的带有两个语句的火车数据,阈值为0 ,因此我更改了火车数据集并添加了这两个参数。
我的新代码
from gensim.models import Phrases
documents = ["the mayor of new york was there", "machine learning can be useful sometimes","new york mayor was present"]
sentence_stream = [doc.split(" ") for doc in documents]
bigram = Phrases(sentence_stream, min_count=1, threshold=2)
sent = [u'the', u'mayor', u'of', u'new', u'york', u'was', u'there']
print(bigram[sent])
输出量
[u'the', u'mayor', u'of', u'new_york', u'was', u'there']
Gensim真的很棒:)
0
为了预处理语料库,我计划从语料库中提取常用短语,为此,我尝试在gensim中使用短语模型,尝试了下面的代码,但未提供期望的输出。
我的密码
输出量
但它应该作为
但是,当我尝试打印火车数据的词汇时,我可以看到bigram,但是它不能与测试数据一起使用,这哪里出了问题?