第1关:学会使用 Gensim

该博客介绍了如何使用gensim库构建LDA和LSI主题模型。首先,通过jieba进行词性过滤和停用词移除,构建词典并进行文本向量化。接着,基于BOW模型和TF-IDF权重构建了LDA模型,展示了一个主题的输出。然后,定义了一个TopicModel类,实现了LSI和LDA模型的训练,以及关键词的提取。最后,通过示例展示了如何提取输入文本的关键词。
摘要由CSDN通过智能技术生成

from gensim import corpora, models  
import jieba.posseg as jp, jieba  
from basic import get_stopword_list
texts=[]  
for i in range(5):  
    s=input()  
    texts.append(s)
flags = ('n', 'nr', 'ns', 'nt', 'eng', 'v', 'd')  # 词性  
stopwords = get_stopword_list()  
words_ls = []  
for text in texts:  
    words = [word.word for word in jp.cut(text) if word.flag in flags and word.word not in stopwords]  
    words_ls.append(words)
# 去重,存到字典  
dictionary = corpora.Dictionary(words_ls)  
corpus = [dictionary.doc2bow(words) for words in words_ls]
# 任务:基于 gensim 的models构建一个lda模型,主题数为1个  
# ********** Begin *********#
lda = models.ldamodel.LdaModel(corpus=corpus, id2word=dictionary, num_topics=1)
# ********** End **********#  
for topic in lda.print_topics(num_words=1):  
    print(topic[1].split('*')[1],end="")
 

第2关:LSA / LSI 算法

from gensim import corpora, models  
import functools  
from others import seg_to_list,load_data,word_filter,cmp  
import math
class TopicModel(object):  
    # 三个传入参数:处理后的数据集,关键词数量,具体模型(LSI、LDA),主题数量  
    def __init__(self, doc_list, keyword_num, model='LSI', num_topics=4):  
        # 使用gensim的接口,将文本转为向量化表示  
        # 先构建词空间  
        self.dictionary = corpora.Dictionary(doc_list)  
        # 任务:使用BOW模型进行向量化,并保存到corpus变量中  
        # ********** Begin *********#  
        corpus = [self.dictionary.doc2bow(doc) for doc in doc_list]
        # ********** End **********#  
        # 对每个词,根据tf-idf进行加权,得到加权后的向量表示  
        self.tfidf_model = models.TfidfModel(corpus)  
        self.corpus_tfidf = self.tfidf_model[corpus]  
        self.keyword_num = keyword_num  
        self.num_topics = num_topics  
        # 选择加载的模型  
        if model == 'LSI':  
            self.model = self.train_lsi()  
        else:  
            self.model = self.train_lda()  
        # 得到数据集的主题-词分布  
        word_dic = self.word_dictionary(doc_list)  
        self.wordtopic_dic = self.get_wordtopic(word_dic)  
    def train_lsi(self):  
        lsi = models.LsiModel(self.corpus_tfidf, id2word=self.dictionary, num_topics=self.num_topics)  
        return lsi  
    def train_lda(self):  
        lda = models.LdaModel(self.corpus_tfidf, id2word=self.dictionary, num_topics=self.num_topics)  
        return lda  
    def get_wordtopic(self, word_dic):  
        wordtopic_dic = {}  
        for word in word_dic:  
            single_list = [word]  
            wordcorpus = self.tfidf_model[self.dictionary.doc2bow(single_list)]  
            wordtopic = self.model[wordcorpus]  
            wordtopic_dic[word] = wordtopic  
        return wordtopic_dic  
    # 计算词的分布和文档的分布的相似度,取相似度最高的keyword_num个词作为关键词  
    def get_simword(self, word_list):  
        sentcorpus = self.tfidf_model[self.dictionary.doc2bow(word_list)]  
        senttopic = self.model[sentcorpus]  
        # 余弦相似度计算  
        def calsim(l1, l2):  
            a, b, c = 0.0, 0.0, 0.0  
            for t1, t2 in zip(l1, l2):  
                x1 = t1[1]  
                x2 = t2[1]  
                a += x1 * x1  
                b += x1 * x1  
                c += x2 * x2  
            sim = a / math.sqrt(b * c) if not (b * c) == 0.0 else 0.0  
            return sim  
        # 计算输入文本和每个词的主题分布相似度  
        sim_dic = {}  
        for k, v in self.wordtopic_dic.items():  
            if k not in word_list:  
                continue  
            sim = calsim(v, senttopic)  
            sim_dic[k] = sim  
        for k, v in sorted(sim_dic.items(), key=functools.cmp_to_key(cmp), reverse=True)[:self.keyword_num]:  
            print(k + "/ ", end='')  
        print()  
    # 词空间构建方法和向量化方法,在没有gensim接口时的一般处理方法  
    def word_dictionary(self, doc_list):  
        dictionary = []  
        for doc in doc_list:  
            dictionary.extend(doc)  
        dictionary = list(set(dictionary))  
        return dictionary  
    def doc2bowvec(self, word_list):  
        vec_list = [1 if word in word_list else 0 for word in self.dictionary]  
        return vec_list  
def topic_extract(word_list, model, pos=False, keyword_num=10):  
    doc_list = load_data(pos)  
    topic_model = TopicModel(doc_list, keyword_num, model=model)  
    topic_model.get_simword(word_list)  
if __name__ == '__main__':  
    text = input()  
    pos = True  
    seg_list = seg_to_list(text, pos)  
    filter_list = word_filter(seg_list, pos)  
    topic_extract(filter_list, 'LSI', pos)
 

评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值