我正在对语言学论文进行主题建模，我正在使用Gensim短语来识别频繁的搭配。我希望能够将术语标记为"do-support"和"it-clefts"作为一个单词，因为它们是特定的语言术语。但是，如果我在取出停用词后制作 Gensim 模型，则不会找到这些搭配(因为它们包含停用词(，如果我在取出停用词(或不包含"it"或"do"的停用词(后制作模型，它会识别出一大堆不相关的搭配。有没有办法手动添加应该被 Gensim 短语识别为搭配的短语？ 谢谢！
Phrases类无法添加所需的双字母。它的技术通常不期望在处理之前删除"停用词"。
您可以通过尝试不同的"阈值"和"min_count"值来调整Phrases行为。
如果您发现某些设置连接了所需的短语，但也连接了一些仍然符合相同统计阈值的不需要的短语，尽管某些短语不直观，但这可能不是一个很大的危害。所有这些统计技术都是不精确的，通常最好根据它们在定量目标上的最终结果来判断 - 而不是从临时审查中发现的任何任意的奇怪/极端情况。
如果你确实想深入研究代码以添加强制某些二进制字母的能力，那么通过Phraser实用程序类(也在 gensim 的phrases.py模块中(可能会更容易。以一些额外的前期计算为代价，它将Phrases数据减少到较小的结构，只有稍后通过组合阈值的双元词。因此，它可以节省一点内存，并更快地执行以后的语料库转换，但是如果您只保留Phraser，您将失去尝试低于其创建中使用的其他阈值/min_counts的能力。但是，在创建后，您可能会将额外的手工选择的双字母强加到其结构中，这比篡改完整的Phrases模型更容易。
更新(2021 年 4 月(：从 Gensim-4.0 开始，Phraser类已重命名为FrozenPhrases，以便更好地与训练类Phrases区分开来。 此外，项目问题中的建议提供了一种可能有效的方法来"强制"某些双字母短语始终被提升。具体说来：
phrases = Phrases(…) # do customary training/etc
frozen_phrases = phrases.freeze() # freeze bigrams' scores for compactness/efficiency
frozen_phrases.phrasegrams['my_phrase'] = float('inf') # set the desired phrase to infinite score