我有这段代码,并且有文章列表作为数据集。每个原始文件都有一篇文章。
我运行以下代码:
import gensim
docgen = TokenGenerator( raw_documents, custom_stop_words )
# the model has 500 dimensions, the minimum document-term frequency is 20
w2v_model = gensim.models.Word2Vec(docgen, size=500, min_count=20, sg=1)
print( "Model has %d terms" % len(w2v_model.wv.vocab) )
w2v_model.save("w2v-model.bin")
# To re-load this model, run
#w2v_model = gensim.models.Word2Vec.load("w2v-model.bin")
def calculate_coherence( w2v_model, term_rankings ):
overall_coherence = 0.0
for topic_index in range(len(term_rankings)):
# check each pair of terms
pair_scores = []
for pair in combinations(term_rankings[topic_index], 2 ):
pair_scores.append( w2v_model.similarity(pair[0], pair[1]) )
# get the mean for all pairs in this topic
topic_score = sum(pair_scores) / len(pair_scores)
overall_coherence += topic_score
# get the mean score across all topics
return overall_coherence / len(term_rankings)
import numpy as np
def get_descriptor( all_terms, H, topic_index, top ):
# reverse sort the values to sort the indices
top_indices = np.argsort( H[topic_index,:] )[::-1]
# now get the terms corresponding to the top-ranked indices
top_terms = []
for term_index in top_indices[0:top]:
top_terms.append( all_terms[term_index] )
return top_terms
from itertools import combinations
k_values = []
coherences = []
for (k,W,H) in topic_models:
# Get all of the topic descriptors - the term_rankings, based on top 10 terms
term_rankings = []
for topic_index in range(k):
term_rankings.append( get_descriptor( terms, H, topic_index, 10 ) )
# Now calculate the coherence based on our Word2vec model
k_values.append( k )
coherences.append( calculate_coherence( w2v_model, term_rankings ) )
print("K=%02d: Coherence=%.4f" % ( k, coherences[-1] ) )
我遇到此错误:
raise KeyError("word '%s' not in vocabulary" % word)
KeyError:u“单词'business'不在词汇表中”
原始代码可以很好地处理其数据集。
https://github.com/derekgreene/topic-model-tutorial
您能帮忙这个错误是什么吗?
答案 0 :(得分:0)
如果您在错误消息周围包含了更多信息,则它可能会对回答者有所帮助,例如多行调用框架可以清楚地指示代码的哪一行触发了错误。
但是,如果收到错误KeyError: u"word 'business' not in vocabulary"
,则可以相信您的Word2Vec
实例w2v_model
从未学习过单词'business'
。
这可能是因为该模型未出现在训练数据中,或者出现的次数少于min_count
。
由于您没有显示raw_documents
变量的类型/内容,也不显示TokenGenerator
类的代码,因此不清楚为什么会出错–但这是查找的地方。仔细检查raw_documents
的内容正确,并且docgen
可迭代对象中的各个项目看起来像Word2Vec
的正确输入。
docgen
迭代对象中的每个项目都应该是一个字符串令牌列表,而不是纯字符串或其他任何东西。并且,docgen
迭代必须有可能被迭代多次。例如,如果执行以下两行,则应该看到相同的两个字符串列表标记(看起来像['hello', 'world']
:
print(iter(docgen).next())
print(iter(docgen).next())
如果看到纯字符串,则docgen
不能为Word2Vec
提供正确的项目。如果您仅看到打印的一项,则docgen
可能是简单的单遍迭代器,而不是可迭代的对象。
您还可以在INFO
级别启用日志记录,并仔细观察Word2Vec
步骤期间的输出,并格外注意所有看似不一致的数字/步骤。 (例如,是否有任何步骤表明什么都没有发生,或者单词/文本示例的计数似乎没有?)