在python中使用gensim的LSI

Question

我正在使用Python的gensim库进行潜在语义索引。我遵循了网站上的教程，它工作得很好。现在，我正在尝试对其进行一些修改；我希望在每次添加文档时都运行lsi模型。

下面是我的代码：

stoplist = set('for a of the and to in'.split())
num_factors=3
corpus = []

for i in range(len(urls)):
 print "Importing", urls[i]
 doc = getwords(urls[i])
 cleandoc = [word for word in doc.lower().split() if word not in stoplist]
 if i == 0:
  dictionary = corpora.Dictionary([cleandoc])
 else:
  dictionary.addDocuments([cleandoc])
 newVec = dictionary.doc2bow(cleandoc)
 corpus.append(newVec)
 tfidf = models.TfidfModel(corpus)
 corpus_tfidf = tfidf[corpus]
 lsi = models.LsiModel(corpus_tfidf, numTopics=num_factors, id2word=dictionary)
 corpus_lsi = lsi[corpus_tfidf]

geturls是我编写的函数，它以字符串的形式返回网站的内容。同样，如果我等到处理完所有文档后再执行tfidf和lsi，它也是有效的，但这不是我想要的。我想在每次迭代中都这样做。不幸的是，我得到了这个错误：

    Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "streamlsa.py", line 51, in <module>
    lsi = models.LsiModel(corpus_tfidf, numTopics=num_factors, id2word=dictionary)
  File "/Library/Python/2.6/site-packages/gensim-0.7.8-py2.6.egg/gensim/models/lsimodel.py", line 303, in __init__
    self.addDocuments(corpus)
  File "/Library/Python/2.6/site-packages/gensim-0.7.8-py2.6.egg/gensim/models/lsimodel.py", line 365, in addDocuments
    self.printTopics(5) # TODO see if printDebug works and remove one of these..
  File "/Library/Python/2.6/site-packages/gensim-0.7.8-py2.6.egg/gensim/models/lsimodel.py", line 441, in printTopics
    self.printTopic(i, topN = numWords)))
  File "/Library/Python/2.6/site-packages/gensim-0.7.8-py2.6.egg/gensim/models/lsimodel.py", line 433, in printTopic
    return ' + '.join(['%.3f*"%s"' % (1.0 * c[val] / norm, self.id2word[val]) for val in most])
  File "/Library/Python/2.6/site-packages/gensim-0.7.8-py2.6.egg/gensim/corpora/dictionary.py", line 52, in __getitem__
    return self.id2token[tokenid] # will throw for non-existent ids
KeyError: 1248

通常错误会在第二个文档中弹出。我想我明白它在告诉我什么(字典索引很糟糕)，我就是不明白为什么。我尝试了很多不同的方法，但似乎都不起作用。有人知道这是怎么回事吗？

谢谢!

Answer 1

这是gensim中的一个bug，在gensim中，反向id->word映射被缓存，但是缓存在addDocuments()之后没有更新。

它在2011年的提交中得到了修复：https://github.com/piskvorky/gensim/commit/b88225cfda8570557d3c72b0820fefb48064a049。

Answer 2

好吧，所以我找到了一个解决方案，尽管不是最优的。

如果您使用corpora.Dictionary创建字典，然后使用dictionary.addDocuments立即添加文档，那么一切都会正常工作。

但是，如果您在这两个调用之间使用字典(通过调用dictionary.doc2bow或使用id2word将字典附加到大规模集成电路模型)，那么您的字典将被“冻结”并且无法更新。你可以调用dictionary.addDocuments，它会告诉你它已经更新了，甚至还会告诉你新字典有多大，例如：

INFO:dictionary:built Dictionary(6627 unique tokens) from 8 documents (total 24054 corpus positions)

但是当你引用任何一个新的索引时，你会得到一个错误。我不确定这是一个bug，还是故意的(无论出于什么原因)，但至少gensim报告成功地将文档添加到字典的事实肯定是一个bug。

首先，我尝试将所有字典调用放在单独的函数中，其中只应修改字典的本地副本。好吧，它还是会坏的。这对我来说很奇怪，我也不知道为什么。

我的下一步是尝试使用copy.copy传递一个字典副本。这是可行的，但显然会使用更多的开销。但是，它将允许您维护语料库和字典的工作副本。然而，对我来说，这里最大的缺点是，这个解决方案不允许我使用filterTokens删除在语料库中只出现一次的单词，因为这需要修改字典。

我的另一个解决方案是在每次迭代中简单地重建所有内容(语料库、字典、lsi和tfidf模型)。对于我的小样本数据集，这会给我带来稍微好一点的结果，但不能扩展到非常大的数据集，而不会引起内存问题。不过，就目前而言，这是我正在做的事情。

如果任何有经验的gensim用户有更好的(和更好的内存友好)解决方案，这样我就不会遇到更大的数据集的问题，请让我知道！

Answer 3

在doc2bow中，您可以设置allow_update = True，它会在每次doc2bow迭代时自动更新您的字典

http://radimrehurek.com/gensim/corpora/dictionary.html