python训练自己中文语料库_我们能用gensim自制的语料库来训练LDA吗？

在浏览了Gensim包的文档之后，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：市场矩阵（.mm）

SVM灯（.SVM Light）

Blie格式（.lad-c）

低格式（.Low）

在这个问题上，如上所述，数据库中总共有19188个文档。

我们必须阅读每个文档，并从句子中删除停止词和标点符号，这可以使用nltk完成。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)

这样就可以将他的数据集转换成一个语料库，该语料库可以使用gensim包使用LDA进行主题建模训练。