如何使用 gensim 从语料库中提取短语

Question

为了预处理语料库，我计划从语料库中扩展常用短语，为此我尝试在gensim中使用短语模型，我尝试了下面的代码，但它没有给我想要的输出。

我的代码

from gensim.models import Phrases
documents = ["the mayor of new york was there", "machine learning can be useful sometimes"]
sentence_stream = [doc.split(" ") for doc in documents]
bigram = Phrases(sentence_stream)
sent = [u'the', u'mayor', u'of', u'new', u'york', u'was', u'there']
print(bigram[sent])

输出

[u'the', u'mayor', u'of', u'new', u'york', u'was', u'there']

但它应该来

[u'the', u'mayor', u'of', u'new_york', u'was', u'there']

但是当我尝试打印火车数据的词汇时，我可以看到双字母，但它不适用于测试数据，我哪里出错了？

print bigram.vocab
defaultdict(<type 'int'>, {'useful': 1, 'was_there': 1, 'learning_can': 1, 'learning': 1, 'of_new': 1, 'can_be': 1, 'mayor': 1, 'there': 1, 'machine': 1, 'new': 1, 'was': 1, 'useful_sometimes': 1, 'be': 1, 'mayor_of': 1, 'york_was': 1, 'york': 1, 'machine_learning': 1, 'the_mayor': 1, 'new_york': 1, 'of': 1, 'sometimes': 1, 'can': 1, 'be_useful': 1, 'the': 1}) 

Answer 1

我得到了问题的解决方案，有两个参数我没有处理它，应该传递给 Phrases（） 模型，它们是

1. min_count忽略所有总收集计数低于此计数的单词和双字母。默认情况下，它的值为 5

阈值

2. 表示形成短语的阈值（越高意味着短语越少）。如果 （cnt（a， b） - min_count） * N/（cnt（a） * cnt（b））>阈值，则接受单词 a 和 b 的短语，其中 N 是总词汇量。默认情况下，它的值为 10.0

使用上面带有两个语句的训练数据，阈值为 0，因此我更改了训练数据集并添加了这两个参数。

我的新代码

from gensim.models import Phrases
documents = ["the mayor of new york was there", "machine learning can be useful sometimes","new york mayor was present"]
sentence_stream = [doc.split(" ") for doc in documents]
bigram = Phrases(sentence_stream, min_count=1, threshold=2)
sent = [u'the', u'mayor', u'of', u'new', u'york', u'was', u'there']
print(bigram[sent])

输出

[u'the', u'mayor', u'of', u'new_york', u'was', u'there']

Gensim真的很棒:)