Do wstępnego przetwarzania korpusu planowałem wyodrębnić typowe frazy z korpusu, do tego próbowałem używać modelu Zwroty w gensim, próbowałem pod kodem, ale nie daje mi pożądanego wyniku.Jak wyodrębnić frazy z korpusu przy użyciu gensim
Mój kod
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])
Wyjście
[u'the', u'mayor', u'of', u'new', u'york', u'was', u'there']
Ale to musi przyjść jak
[u'the', u'mayor', u'of', u'new_york', u'was', u'there']
Ale kiedy próbowałem t o drukuj słownictwo z danych pociągu, widzę bigram, ale nie działa z danymi testowymi, gdzie idę źle?
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})
niż ty za cenne odpowiedzi. Ale w tym przykładzie bigram nie chwyta "maszyny", "uczenia się" jako "maszynowego uczenia". Czy wiesz, dlaczego tak się dzieje? –
Jeśli dodasz "uczenie maszynowe" do zdania przed treningiem dwa razy, a następnie dodasz je do wysłanej zmiennej, otrzymasz "machine_learning". Jeśli nie może zobaczyć częstotliwości tej pary, to nie będzie to intuicyjnie wiedzieć. – ethanenglish