python-3.x - 将文档添加到 gensim 模型

Question

我有一个类包装了计算 LSI 相似度所需的各种对象:

class SimilarityFiles:

    def __init__(self, file_name, tokenized_corpus, stoplist=None):
        if stoplist is None:
            self.filtered_corpus = tokenized_corpus
        else:
            self.filtered_corpus = []
            for convo in tokenized_corpus:
                self.filtered_corpus.append([token for token in convo if token not in stoplist])
        self.dictionary = corpora.Dictionary(self.filtered_corpus)
        self.corpus = [self.dictionary.doc2bow(text) for text in self.filtered_corpus]
        self.lsi = models.LsiModel(self.corpus, id2word=self.dictionary, num_topics=100)
        self.index = similarities.MatrixSimilarity(self.lsi[self.corpus])

我现在想向类添加一个函数，以允许向语料库添加文档并相应地更新模型。 我找到了 dictionary.add_documents 和 model.add_documents，但有两件事我不清楚:

1. 当您最初创建 LSI 模型时，函数接收的参数之一是 id2word=dictionary。更新模型时，如何告诉它使用更新后的字典？这实际上是不必要的，还是会有所作为？
2. 如何更新索引？从documentation看起来如果我使用 Similarity 类，而不是 MatrixSimilarity 类，我可以将文档添加到索引，但我没有看到 MatrixSimilarity< 的此类功能。如果我理解正确的话，如果我的输入语料库包含密集向量，则 MatrixSimilarity 会更好(确实如此，因为我使用的是 LSI 模型)。我是否必须将其更改为 Similarity 才能更新索引？或者，相反，创建这个索引的复杂性是多少？如果它无关紧要，我是否应该使用更新的语料库创建一个新索引，如下所示:

代码:

self.dictionary.add_documents(new_docs)    # new_docs is already after filtering stop words
new_corpus = [self.dictionary.doc2bow(text) for text in new_docs]
self.lsi.add_documents(new_corpus)
self.index = similarities.MatrixSimilarity(self.lsi[self.corpus])

谢谢。 :)

Answer 1

它似乎不会更新字典..它只是添加新文档而不是新功能..所以你应该采取不同的方法..
我遇到了同样的问题，我发现了这个issue on the gensim githup有帮助