制作語料庫時如何增加gensim中的Dictionary大小？

Question

我正在使用命令制作語料庫

background_corpus = TextCorpus('wiki.en.text')

這是一個超過10 GB的文件，因此在制作該語料庫並將其添加到字典時會給出

adding document #820000 to Dictionary(2000000 unique tokens: [u'tripolitan', u'ftdna', u'soestdijk', u'billycorgan', u'olmsville']...)

discarding 31072 tokens: [(u'vnsas', 1), (u'ezequeel', 1), (u'trapeztafel', 1), (u'pubsub', 1), (u'gyvenimas', 1), (u'gilibrand', 1), (u'catfaced', 1), (u'beuningan', 1), (u'moodadi', 1), (u'nocaster', 1)]...

keeping 2000000 tokens which were in no less than 0 and no more than 830000 (=100.0%) documents

因此，它丟棄了新令牌，因為它的最大大小為2000000。反正我不能限制字典的大小嗎？

Answer 1

這是解釋https://radimrehurek.com/gensim/corpora/dictionary.html 。 參數prune_at設置為2000000 ，具體取決於所使用的函數，可以將其更改為None以避免丟棄的問題。

編輯：在gensim / corpora / dictionary.py（init函數當前版本中的第45行）中，您可以設置prune_at = None或設置自己的限制（例如5000000，例如prune_at = 5000000 ）。