[英]fixed-size topics vector in gensim LDA topic modelling for finding similar texts
我使用gensim LDA主题建模来查找每个文档的主题,并通过比较接收到的主题向量来检查文档之间的相似性。 每个文档都有不同数量的匹配主题,因此矢量的比较(通过余弦相似性)是不正确的,因为需要长度相同的矢量。
这是相关代码:
lda_model_bow = models.LdaModel(corpus=bow_corpus, id2word=dictionary, num_topics=3, passes=1, random_state=47)
#---------------Calculating and Viewing the topics----------------------------
vec_bows = [dictionary.doc2bow(filtered_text.split()) for filtered_text in filtered_texts]
vec_lda_topics=[lda_model_bow[vec_bow] for vec_bow in vec_bows]
for id,vec_lda_topic in enumerate(vec_lda_topics):
print ('document ' ,id, 'topics: ', vec_lda_topic)
输出向量为:
document 0 topics: [(1, 0.25697246), (2, 0.08026043), (3, 0.65391296)]
document 1 topics: [(2, 0.93666667)]
document 2 topics: [(2, 0.07910537), (3, 0.20132676)]
.....
如您所见,每个向量都有不同的长度,因此不可能在它们之间执行余弦相似度。
我希望输出为:
document 0 topics: [(1, 0.25697246), (2, 0.08026043), (3, 0.65391296)]
document 1 topics: [(1, 0.0), (2, 0.93666667), (3, 0.0)]
document 2 topics: [(1, 0.0), (2, 0.07910537), (3, 0.20132676)]
.....
有什么想法怎么做? n
我以前曾使用gensim
进行主题建模,但我没有遇到过这个问题。 理想情况下,如果您传递num_topics=3
则它会为每个文档返回概率最高的前3个主题。 然后,您应该可以通过执行以下操作来生成余弦相似度矩阵:
lda_model_bow = models.LdaModel(corpus=bow_corpus, id2word=dictionary, num_topics=3, passes=1, random_state=47)
vec_lda_topics = lda_model_bow[bow_corpus]
sim_matrix = similarities.MatrixSimilarity(vec_lda_topics)
但是由于某种原因,如果主题数量不相等,则可以为其余主题假定零概率值,并在计算相似度时将它们包括在向量中。
附:如果您可以提供输入文档的样本,则更容易重现输出并对其进行调查。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.