带有大型语料库的 Python Gensim LDAMallet CalledProcessError（在小型语料库中运行良好）

Question

当我在大约 1600 万个文档的完整语料库上运行 Gensim LDAMallet 模型时，我收到 CalledProcessError“非零退出状态 1”错误。 有趣的是，如果我在大约 160,000 个文档的测试语料库上运行完全相同的代码，则代码运行得非常好。由于它在我的小型语料库上运行良好，我倾向于认为代码很好，但我不确定还有什么会/可能导致此错误...

我已尝试按照here 的建议编辑 mallet.bat 文件，但无济于事。 我还仔细检查了路径，但这应该不是问题，因为它适用于较小的语料库。

id2word = corpora.Dictionary(lists_of_words)
corpus =[id2word.doc2bow(doc) for doc in lists_of_words]
num_topics = 30
os.environ.update({'MALLET_HOME':r'C:/mallet-2.0.8/'})
mallet_path = r'C:/mallet-2.0.8/bin/mallet'
ldamallet = gensim.models.wrappers.LdaMallet(mallet_path, corpus=corpus, num_topics=num_topics, id2word=id2word)

这是完整的回溯和错误：

  File "<ipython-input-57-f0e794e174a6>", line 8, in <module>
    ldamallet = gensim.models.wrappers.LdaMallet(mallet_path, corpus=corpus, num_topics=num_topics, id2word=id2word)

  File "C:\ProgramData\Anaconda3\lib\site-packages\gensim\models\wrappers\ldamallet.py", line 132, in __init__
    self.train(corpus)

  File "C:\ProgramData\Anaconda3\lib\site-packages\gensim\models\wrappers\ldamallet.py", line 273, in train
    self.convert_input(corpus, infer=False)

  File "C:\ProgramData\Anaconda3\lib\site-packages\gensim\models\wrappers\ldamallet.py", line 262, in convert_input
    check_output(args=cmd, shell=True)

  File "C:\ProgramData\Anaconda3\lib\site-packages\gensim\utils.py", line 1918, in check_output
    raise error

CalledProcessError: Command 'C:/mallet-2.0.8/bin/mallet import-file --preserve-case --keep-sequence --remove-stopwords --token-regex "\S+" --input C:\Users\user\AppData\Local\Temp\2\e1ba4a_corpus.txt --output C:\Users\user\AppData\Local\Temp\2\e1ba4a_corpus.mallet' returned non-zero exit status 1.

Answer 1

很高兴您找到了我的帖子，很抱歉它对您不起作用。我遇到这个错误的原因有很多，主要是 Java 没有安装属性并且路径没有调用环境变量。

由于您的代码在较小的数据集上运行，我将首先查看您的数据。 Mallet 很挑剔，因为它只接受可能遇到空值、标点符号或浮点数的最干净的数据。

您是抽取了字典的样本量还是传入了整个数据集？

这基本上就是它正在做的事情：句子变成单词 - 单词变成数字 - 然后计算频率，例如：

[(3, 1), (13, 1), (37, 1)]

单词 3（“辅助”）出现 1 次。 第 13 字（“付款”）出现 1 次。 Word 37（“帐户”）出现 1 次。

然后，您的 LDA 会查看一个单词并根据它与字典中所有其他单词出现的频率来评分，并且它会为整个字典执行此操作，因此如果您让它查看数百万个单词，它是会很快崩溃。

这就是我实现 mallet 并缩小字典的方式，不包括词干提取或其他预处理步骤：

# we create a dictionary of all the words in the csv by iterating through
# contains the number of times a word appears in the training set.

dictionary = gensim.corpora.Dictionary(processed_docs[:])
count = 0
for k, v in dictionary.iteritems():
    print(k, v)
    count += 1
    if count > 10:
        break

# we want to throw out words that are so frequent that they tell us little about the topic 
# as well as words that are too infrequent >15 rows then keep just 100,000 words

dictionary.filter_extremes(no_below=15, no_above=0.5, keep_n=100000)

# the words become numbers and are then counted for frequency
# consider a random row 4310 - it has 27 words word indexed 2 shows up 4 times
# preview the bag of words

bow_corpus = [dictionary.doc2bow(doc) for doc in processed_docs]
bow_corpus[4310]

os.environ['MALLET_HOME'] = 'C:\\mallet\\mallet-2.0.8'

mallet_path = 'C:\\mallet\\mallet-2.0.8\\bin\\mallet'

ldamallet = gensim.models.wrappers.LdaMallet(mallet_path, corpus=bow_corpus, num_topics=20, alpha =.1, 
                                             id2word=dictionary, iterations = 1000, random_seed = 569356958)

另外，我会将您的 ldamallet 分成一个单独的单元格，因为编译时间很慢，尤其是在这种大小的数据集上。我希望这有助于让我知道您是否仍然遇到错误:)