Récapitulatif du format des formats qui peuvent être sérialisés avec gensim

gensim

Une bibliothèque de modèles de sujets implémentés en Python. Les détails de la fonction ne sont pas traités ici. Cette fois, je vais résumer les formats des différents formats qui peuvent être convertis lors de la conversion d'une chaîne de caractères au format BoW avec gensim.

Code d'exécution

Sortie en tant que Référence officielle.

from gensim import corpora
from collections import defaultdict
from pprint import pprint

documents = ["Human machine interface for lab abc computer applications",
             "A survey of user opinion of computer system response time",
             "The EPS user interface management system",
             "System and human system engineering testing of EPS",
             "Relation of user perceived response time to error measurement",
             "The generation of random binary unordered trees",
             "The intersection graph of paths in trees",
             "Graph minors IV Widths of trees and well quasi ordering",
             "Graph minors A survey"]
stoplist = set('for a of the and to in'.split())
texts = [[word for word in document.lower().split() if word not in stoplist]
         for document in documents]

frequency = defaultdict(int)
for text in texts:
    for token in text:
        frequency[token] += 1

texts = [[token for token in text if frequency[token] > 1]
         for text in texts]
dictionary = corpora.Dictionary(texts)
corpus = [dictionary.doc2bow(text) for text in texts]

corpora.MmCorpus.serialize("./corpus.mm", corpus)
corpora.BleiCorpus.serialize("./corpus.blei", corpus)
corpora.LowCorpus.serialize("./corpus.low", corpus)
corpora.SvmLightCorpus.serialize("./corpus.svmlight", corpus)
corpora.UciCorpus.serialize("./corpus.low", corpus)

pprint(texts)
print("\n")
pprint(dictionary.token2id)
print("\n")
pprint(corpus)

Output

[['human', 'interface', 'computer'],
 ['survey', 'user', 'computer', 'system', 'response', 'time'],
 ['eps', 'user', 'interface', 'system'],
 ['system', 'human', 'system', 'eps'],
 ['user', 'response', 'time'],
 ['trees'],
 ['graph', 'trees'],
 ['graph', 'minors', 'trees'],
 ['graph', 'minors', 'survey']]


{'computer': 1,
 'eps': 8,
 'graph': 10,
 'human': 2,
 'interface': 0,
 'minors': 11,
 'response': 6,
 'survey': 4,
 'system': 5,
 'time': 7,
 'trees': 9,
 'user': 3}


[[(0, 1), (1, 1), (2, 1)],
 [(1, 1), (3, 1), (4, 1), (5, 1), (6, 1), (7, 1)],
 [(0, 1), (3, 1), (5, 1), (8, 1)],
 [(2, 1), (5, 2), (8, 1)],
 [(3, 1), (6, 1), (7, 1)],
 [(9, 1)],
 [(9, 1), (10, 1)],
 [(9, 1), (10, 1), (11, 1)],
 [(4, 1), (10, 1), (11, 1)]]

Matrix Market format

corpus.mm

%%MatrixMarket matrix coordinate real general
9 12 28                                           
1 1 1
1 2 1
1 3 1
2 2 1
2 4 1
2 5 1
2 6 1
2 7 1
2 8 1
3 1 1
3 4 1
3 6 1
3 9 1
4 3 1
4 6 2
4 9 1
5 4 1
5 7 1
5 8 1
6 10 1
7 10 1
7 11 1
8 10 1
8 11 1
8 12 1
9 5 1
9 11 1
9 12 1

• Vous pouvez commenter et utiliser%
• Le nombre commence par 1
• Premièrement, le nombre de lignes et de colonnes, le nombre d'éléments non nuls, est exprimé sous forme d'entier.
• Lorsque cette ligne est sortie par gensim, il y a beaucoup d'espace à la fin de la phrase pour une raison quelconque
• Le reste est indiqué par i j v, qui indique que le j-ième mot (colonne) est apparu v fois dans la i-ième phrase (ligne).
• corpus.mm.index est généré mais pas un fichier lisible

Blei format

corpus.blei

3 0:1 1:1 2:1
6 1:1 3:1 4:1 5:1 6:1 7:1
4 0:1 3:1 5:1 8:1
3 2:1 5:2 8:1
3 3:1 6:1 7:1
1 9:1
2 9:1 10:1
3 9:1 10:1 11:1
3 4:1 10:1 11:1

text:corpus.blei.vocab

0
1
2
3
4
5
6
7
8
9
10
11

• Format par Blei, qui a publié l'article original de LDA
• Les nombres commencent à 0
• Chaque ligne correspond à chaque phrase
• Le nombre de mots dans le texte est indiqué en début de ligne
• Représenté par j: v, indiquant que le jème élément de la colonne est v
• Corpus.blei.index et corpus.blei.vocab sont générés en même temps lors de la sérialisation
• l'index n'est pas un fichier lisible
• Le vocabulaire semble indiquer combien de fonctionnalités de BoW existent au maximum.

UCI format

corpus.uci

9                   
12                  
28                  
1 1 1
1 2 1
1 3 1
2 2 1
2 4 1
2 5 1
2 6 1
2 7 1
2 8 1
3 1 1
3 4 1
3 6 1
3 9 1
4 3 1
4 6 2
4 9 1
5 4 1
5 7 1
5 8 1
6 10 1
7 10 1
7 11 1
8 10 1
8 11 1
8 12 1
9 5 1
9 11 1
9 12 1

text:corpus.uci.vocab

0
1
2
3
4
5
6
7
8
9
10
11

• Format BoW par l'Université de Californie à Irvine
• Le nombre commence par 1
• Similaire au format Mm, à l'exception de ce qui suit:
• Aucun commentaire
• Le résumé de la première ligne s'étend sur plusieurs lignes
• En même temps, corpus.low.index et corpus.low.vocab sont générés.
• l'index n'est pas un fichier lisible
• Le vocabulaire semble indiquer combien de fonctionnalités de BoW existent au maximum. Mais pour une raison quelconque, les chiffres commencent à 0

Low format

corpus.low

9
0 1 2
1 3 4 5 6 7
0 3 5 8
2 5 5 8
3 6 7
9
9 10
9 10 11
4 10 11

text:corpus.low.vocab

0
1
2
3
4
5
6
7
8
9
10
11

• Format par Phan et al. Qui a implémenté LDA en C / C ++
• Cette implémentation semble faire une inférence LDA avec l'échantillonnage MCMC par Gibbs, pas avec la variante originale Bayes de Blei.
• Les nombres commencent à 0
• Le nombre de phrases est indiqué sur la première ligne
• Chaque ligne et chaque phrase après cela correspondent, et seul le jème mot indique j.

SvmLight format

corpus.svmlight

0 1:1 2:1 3:1
0 2:1 4:1 5:1 6:1 7:1 8:1
0 1:1 4:1 6:1 9:1
0 3:1 6:2 9:1
0 4:1 7:1 8:1
0 10:1
0 10:1 11:1
0 10:1 11:1 12:1
0 5:1 11:1 12:1

• Format de Joachims et al. Avec implémentation C de SVM
• Le nombre commence par 1
• Le 0 au début de chaque ligne est un vestige de l'utilisation de -1/1/0 lors de la représentation d'exemples positifs et négatifs dans SVM.
• Les deux points ci-dessus sont différents du format Blei.
• Chaque ligne correspond à chaque phrase
• Représenté par j: v, indiquant que le jème élément de la colonne est v
• corpus.mm.index est généré mais pas un fichier lisible

référence

• Méthode de représentation de la matrice clairsemée 1 Matrix Market
• fonctionnaire gensim