如何使用 gensim 从语料库中提取短语

Question

为了预处理语料库，我打算从语料库中提取常用短语，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']

但应该是这样的

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

但是当我尝试打印训练数据的词汇时，我可以看到二元组，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，应该传递给 Phrases() 模型，它们是

1. min_count 忽略所有收集的总计数低于此值的单词和二元组。 默认值为 5

2. 阈值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。 默认值为 10.0

对于我上面的带有两个语句的训练数据，阈值是0，所以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 :)