Gensim.Similarity添加文档或现场培训

Question

关于这个项目的一些背景。我有带有标识符和文本的副本，例如{name: "sports-football", text: "Content related to football sports"}。

我需要在这个语料库中为给定的文本输入找到正确的匹配。然而，我能够在某种程度上实现使用Gensim。与LDA和LSI模型相似。

如何用新文档更新Genism.Similarity索引。这里的想法是在现场继续训练模特。

这是我遵循的步骤。

QueryText =“瓜迪奥拉将莱昂内尔·梅西转移到了9号位置，这样他就不用再深入，我认为阿圭罗经常会回到更深的位置。”

注意:有些代码只是外行。

索引是使用

`similarities.Similarity(indexpath, model,topics)`

1. 创建一本字典 dictionary = Dictionary(QueryText )
2. 创建一个corpus = Corpus(QueryText, dictionary)语料库
3. 创建LDA模型 LDAModel = ldaModel(corpus,dictionary)

更新现有字典、模型和索引

更新现有字典

existing_dictionary.add_document(dictionary)

更新现有的LDA模型

existing_lda_model.update(corpus)

更新现有的相似指数

existing_index.add_dcoument(LDAModel[corpus])

除了以下警告之外，更新似乎是有效的。

gensim\models\ldamodel.py:535: RuntimeWarning: overflow encountered in exp2 perwordbound, np.exp2(-perwordbound), len(chunk), corpus_words

让我们运行查询文本的相似性

vec_bow = dictionary.doc2bow(QueryText) 
vec_model = existing_lda_model[vec_bow] 
sims = existing_index[vec_model]

但是，由于以下错误，它失败了。

Similarity index with 723 documents in 1 shards (stored under \Files\models\lda_model)
Similarity index with 725 documents in 0 shards (stored under \Files\models\lda_model)
\lib\site-packages\gensim\models\ldamodel.py:535: RuntimeWarning: overflow encountered in exp2
  perwordbound, np.exp2(-perwordbound), len(chunk), corpus_words
---------------------------------------------------------------------------
IndexError                                Traceback (most recent call last)
<ipython-input-3-8fe711724367> in <module>()
     45 trigram = Trigram.apply_trigram_model(queryText, bigram, trigram)
     46 vec_bow = dictionry.doc2bow(trigram)
---> 47 vec_model =  lda_model[vec_bow]
     48 print(vec_model)
     49 

~\Anaconda3\envs\lf\lib\site-packages\gensim\models\ldamodel.py in __getitem__(self, bow, eps)
   1103             `(topic_id, topic_probability)` 2-tuples.
   1104         """
-> 1105         return self.get_document_topics(bow, eps, self.minimum_phi_value, self.per_word_topics)
   1106 
   1107     def save(self, fname, ignore=('state', 'dispatcher'), separately=None, *args, **kwargs):

~\Anaconda3\envs\lf\lib\site-packages\gensim\models\ldamodel.py in get_document_topics(self, bow, minimum_probability, minimum_phi_value, per_word_topics)
    944             return self._apply(corpus, **kwargs)
    945 
--> 946         gamma, phis = self.inference([bow], collect_sstats=per_word_topics)
    947         topic_dist = gamma[0] / sum(gamma[0])  # normalize distribution
    948 

~\Anaconda3\envs\lf\lib\site-packages\gensim\models\ldamodel.py in inference(self, chunk, collect_sstats)
    442             Elogthetad = Elogtheta[d, :]
    443             expElogthetad = expElogtheta[d, :]
--> 444             expElogbetad = self.expElogbeta[:, ids]
    445 
    446             # The optimal phi_{dwk} is proportional to expElogthetad_k * expElogbetad_w.

IndexError: index 718 is out of bounds for axis 1 with size 713

我真的很感激，帮了我这个忙。期待着精彩的回复。

Answer 1

后面的错误(稀疏矩阵中的AssertionError: mismatch between supplied and computed number of non-zeros)很可能来自警告- perwordbound溢出所提出的问题，使用其未定义的值计算的矩阵将导致更新失败。

我建议用更大的批(而不是一个查询)更新模型。可能会有不成比例的单词数量，你试图用相对较少的单词更新的模型中的单词数。对于浮点数，这可能会导致细微误差。

同样，请尝试用与模型源数据成比例的批次更新模型(例如，其大小的1/10和1/20)。

基于这条线的修订

Melissa Roemmele写道： FYI，我也得到了这个错误，当我试图创建一个LSI索引的语料库上的一个包-词语料库，而没有首先将它转换成tf-以色列国防军。我可以在单词袋上建立LSI模型，但是为它建立索引给了我错误。

在将QueryText传递给模型之前，您可能需要先尝试tf-国防军。