numpy - 如何从 Gensim TFIDF 值执行 kmean 聚类
问题描述
我正在使用 Gensim 进行向量空间模型。从 Gensim 创建字典和语料库后,我使用以下行计算了(词频*逆文档频率)TFIDF
Term_IDF = TfidfModel(corpus)
corpus_tfidf = Term_IDF[corpus]
corpus_tfidf 包含具有术语 id 和相应 TFIDF 的列表的列表。然后我使用以下几行将 TFIDF 与 id 分开:
for doc in corpus_tfidf:
for ids,tfidf in doc:
IDS.append(ids)
tfidfmtx.append(tfidf)
IDS=[]
现在我想使用 k-means 聚类,所以我想执行 tfidf 矩阵的余弦相似性问题是 Gensim 不会产生方阵,所以当我运行下面的行时它会产生错误。我想知道如何从 Gensim 中获取方阵来计算向量空间模型中所有文档的相似度。还如何将 tfidf 矩阵(在本例中为列表列表)转换为 2D NumPy 数组。任何意见都非常感谢。
dumydist = 1 - cosine_similarity(tfidfmtx)
解决方案
当您将语料库放入 Gensim 字典时,获取字典中的数字或文档和标记:
from gensim.corpora.dictionary import Dictionary
dictionary = Dictionary(corpus_lists)
num_docs = dictionary.num_docs
num_terms = len(dictionary.keys())
变成弓:
corpus_bow = [dictionary.doc2bow(doc) for doc in corpus_lists]
转换为 tf-idf:
from gensim.models.tfidfmodel import TfidfModel
tfidf = TfidfModel(corpus_bow)
corpus_tfidf = tfidf[corpus_bow]
现在您可以转换为稀疏/密集矩阵:
from gensim.matutils import corpus2dense, corpus2csc
corpus_tfidf_dense = corpus2dense(corpus_tfidf, num_terms, num_docs)
corpus_tfidf_sparse = corpus2csc(corpus_tfidf, num_terms, num_docs)
现在使用稀疏/密集矩阵(转置后)拟合您的模型:
model = KMeans(n_clusters=7)
clusters = model.fit_predict(corpus_bow_dense.T)