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。