利用Python gensim基于中文语料建立LSA隐性语义模型

传统词向量空间模型

对语料库中每个文档进行分词后，将生成一个词典。每个文档对应一个与词典长度一致的向量。若文档中出现某个词，则向量中相应的项目非零。下标index通过将词语输入Hashing函数获得，值一般取该词的TF-IDF。

TF: 词频，在长度为n的文档中某个词出现k次，则有TF=k/n

IDF: 逆文档频率，出现某个词的文档数量d，语料库中一共有N个文档，有IDF=log(N/d).

一般而言如果某个词在整个语料库的每个文档中都出现，例如“这”“那么” 等常用词，对于文本分类的重要性非常弱，使用IDF进行归一化处理的目的是消除停用词（其IDF非常低）的影响。

通过上述方法，将文档映射到向量空间之后，计算当前query与语料库中每个文档的余弦相似度并排序，即可给出与当前query最相似的N个文档。

此方法的一个缺陷是，判断两个文档相似是基于是否出现相同的词语，对于一词多义、近义词等情况无法很好地处理。例如，用户搜索“帝都”，显然是希望返回北京的相关信息，但可能只会返回包含“帝都”这一词语的结果，显然“北京”的结果也应该是用户希望看到的。

LSA的主要思想，是利用线性代数里面的SVD奇异值分解，以便基于语料库归纳出若干主题（topic），同时给出每个主题之中“最重要”的词语。比较两个文本之间的相似，是基于其语义，即是否代表相同或相近的概念，而非传统VSM机械地比较两个文档之间是否有相同的词语。

基本思想：

见维基百科： https://en.wikipedia.org/wiki/Latent_semantic_analysis

下面利用sogou提供的已经分好类的预料（比较旧，2008年）尝试建立一个LSI模型。

文档解压之后，每个类别一个目录，每个文档一个文件，共17900多个文件，类别大致有财经、教育等等。
中文分词采用jiema提供的api，加载gensim完成相应的工作。

代码：

import os
import re
import jieba as ws
import pandas as pd
from gensim import models,corpora
import logging


logging.basicConfig(format='%(asctime)s : %(levelname)s : %(message)s', level=logging.INFO)
documents=[]
labels=[]
class_dir=os.listdir('/home/kim/Reduced/')

#读取语料库
for i in class_dir:
    if i.find('C')>-1:
        currentpath='/home/kim/Reduced/'+i+'/'
#        print(currentpath)
        files=os.listdir(currentpath)
        for f in files:
            tmp_list=[]  
            tmp_str=''
            try:            
                file=open(currentpath+f,encoding='gbk')
                file_str=file.read()
                file_str=re.sub('(\u3000)|(\x00)|(nbsp)','',file_str)#正则处理，去掉一些噪音
                doc=''.join(re.sub('[\d\W]','',file_str))
                tmp_str='|'.join(ws.cut(doc))
                tmp_list=tmp_str.split('|')
                labels+=[i]
            except:
                print('read error: '+currentpath+f)
            documents.append(tmp_list)
            file.close()
            
             
#------------------------------------------------------------------------------
#LSI model: latent semantic indexing model
#------------------------------------------------------------------------------
#https://en.wikipedia.org/wiki/Latent_semantic_analysis
#http://radimrehurek.com/gensim/wiki.html#latent-semantic-analysis
dictionary=corpora.Dictionary(documents)
corpus=[dictionary.doc2bow(doc) for doc in documents]#generate the corpus
tf_idf=models.TfidfModel(corpus)#the constructor

#this may convert the docs into the TF-IDF space.
#Here will convert all docs to TFIDF
corpus_tfidf=tf_idf[corpus]

#train the lsi model
lsi=models.LsiModel(corpus_tfidf,id2word=dictionary,num_topics=9)
topics=lsi.show_topics(num_words=5,log=0)
for tpc in topics:
    print(tpc)

运行完毕，输出结果如下：



建模是，设定参数num_topics=9,即指定主题有9个，每个词语前面的数字大致可以理解为该词与主题的相关程度。可以明显地看到，topic[2]大致可以对应到教育主题，topic[3]大致可以对应到财经主题，topic[5]可以对应到体育的主题，etc。
事实上，由于在预处理阶段，没有对停用词进行处理，导致到有很多例如“我”、“你”等词语出现在最后结果之中。但从这个结果来看还勉强过得去。

实际上，在spark mllib里面，也提供了相应的方法，例如TF-IDF的转换，等等，后面将对word2vec模型、以及spark上的实现进行探索。