我会发布我的解决方案,因为没有其他答案。比方说,我们在以下情形:
import gensim
from gensim import models
from gensim import corpora
from gensim import similarities
from nltk.tokenize import word_tokenize
import pandas as pd
# routines:
text = "I work on natural language processing and I want to figure out how does gensim work"
text2 = "I love computer science and I code in Python"
dat = pd.Series([text,text2])
dat = dat.apply(lambda x: str(x).lower())
dat = dat.apply(lambda x: word_tokenize(x))
dictionary = corpora.Dictionary(dat)
corpus = [dictionary.doc2bow(doc) for doc in dat]
tfidf = models.TfidfModel(corpus)
corpus_tfidf = tfidf[corpus]
#Query:
query_text = "I love icecream and gensim"
query_text = query_text.lower()
query_text = word_tokenize(query_text)
vec_bow = dictionary.doc2bow(query_text)
vec_tfidf = tfidf[vec_bow]
如果我们看一下:
print(vec_bow)
[(0, 1), (7, 1), (12, 1), (15, 1)]
和:
print(tfidf[vec_bow])
[(12, 0.7071067811865475), (15, 0.7071067811865475)]
FYI ID和DOC:
print(dictionary.items())
[(0, u'and'),
(1, u'on'),
(8, u'processing'),
(3, u'natural'),
(4, u'figure'),
(5, u'language'),
(9, u'how'),
(7, u'i'),
(14, u'code'),
(19, u'in'),
(2, u'work'),
(16, u'python'),
(6, u'to'),
(10, u'does'),
(11, u'want'),
(17, u'science'),
(15, u'love'),
(18, u'computer'),
(12, u'gensim'),
(13, u'out')]
外貌就像查询只是拿起现有的条款和使用预先计算的权重为您提供tfidf分数。所以我的解决方法是每周或每天重建模型,因为这样做很快。
这实际上工作吗?我原以为由于tfidf的本质,从根本上说,你不能逐步更新模型(更新tfidf矩阵),因为每次有新文档进入时,都必须更新包含在文档中的所有相关单词特征的IDF值整个语料库的新文档。另外,当一个文档带有一个新词时会发生什么 - 不会有一个特征长度不匹配?请让我知道,因为我也在积极研究这个问题 – killerT2333
它的工作,但我相信什么是只使用您现有的模型查询您的新文档。我将编辑我的答案以显示作品。 – snowneji
哇!这真的很酷 - 非常感谢分享这个。因此,如果我理解正确,当新的查询文档进入时,gensim会根据预先计算的tfidf矩阵计算tfidf分数_and_新的查询文档?或者它只是从预先计算的tfidf矩阵中计算出来的呢?定期更新模型更有意义,如果不断有新的查询进来,尤其是如果更新模型昂贵 – killerT2333