如何执行k意味着从Gensim TF IDF值进行聚类

Question

我正在使用Gensim进行矢量空间模型。在从Gensim创建字典和语料库后，我使用以下行计算了（Term frequency * Inverse document Frequency）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。然后我使用以下行将TFIDF与ids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不生成方阵，所以当我运行跟随行时它会产生错误。我想知道如何从Gensim得到方阵以计算向量空间模型中所有文档的相似性。另外，如何将tfidf矩阵（在本例中是列表列表）转换为2D NumPy数组。任何评论都非常感谢。

dumydist = 1 - cosine_similarity（tfidfmtx）

Answer 1

To create document term matrix from gensim, you may use matutils.corpus2csv

语料库 - 列表（Gensim Corpus）

from scipy.sparse import csc_matrix

scipy_csc_matrix =genism.matutils.corpus2csc(corpus)

full_matrix=csc_matrix(scipy_csc_matrix).toarray()

如果您的语料库大小非常大，您可能希望使用scipy稀疏格式。

Answer 2

当您将语料库安装到Gensim词典时，请获取词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]

现在你可以转换为稀疏/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）适合您的模型：

model = KMeans(n_clusters=7)
clusters = model.fit_predict(corpus_bow_dense.T)