我正在 sklearn 中寻找一个模块，它可以让您推导出词-词共现矩阵。
我可以获得文档-术语矩阵，但不确定如何获取同现的词-词矩阵。
最佳答案
这是我在 scikit-learn 中使用 CountVectorizer 的示例解决方案。并引用这个post ，你可以简单地使用矩阵乘法来得到词-词共现矩阵。
from sklearn.feature_extraction.text import CountVectorizer
docs = ['this this this book',
'this cat good',
'cat good shit']
count_model = CountVectorizer(ngram_range=(1,1)) # default unigram model
X = count_model.fit_transform(docs)
# X[X > 0] = 1 # run this line if you don't want extra within-text cooccurence (see below)
Xc = (X.T * X) # this is co-occurrence matrix in sparse csr format
Xc.setdiag(0) # sometimes you want to fill same word cooccurence to 0
print(Xc.todense()) # print out matrix in dense format
也可以引用count_model中的词库，
count_model.vocabulary_
或者，如果您想按对角线分量进行归一化(引用上一篇文章中的回答)。
import scipy.sparse as sp
Xc = (X.T * X)
g = sp.diags(1./Xc.diagonal())
Xc_norm = g * Xc # normalized co-occurence matrix
额外注意@Federico Caccia 的回答，如果您不希望从自己的文本中出现虚假的共现，请将大于 1 的出现设置为 1，例如
X[X > 0] = 1 # do this line first before computing cooccurrence
Xc = (X.T * X)
...
关于python - 如何使用 sklearn 计算词-词共现矩阵？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/35562789/