Article Outline
1.潜在隐语义索引(LSI)概述
潜在语义索引(Latent Semantic Indexing,以下简称LSI)，有的文章也叫Latent Semantic Analysis（LSA）。其实是一个东西，后面我们统称LSI，它是一种简单实用的主题模型。LSI是基于奇异值分解（SVD）的方法来得到文本的主题的。
这里我们简要回顾下SVD：对于一个$m \times n$的矩阵$A$，可以分解为下面三个矩阵： $$ A_{m \times n} = U_{m \times m}\Sigma_{m \times n} V^T_{n \times n} $$ 有时为了降低矩阵的维度到k，SVD的分解可以近似的写为： $$ A_{m \times n} \approx U_{m \times k}\Sigma_{k \times k} V^T_{k \times n} $$ 如果把上式用到我们的主题模型，则SVD可以这样解释：我们输入的有m个文本，每个文本有n个词。而$A_{ij}$则对应第$i$个文本的第$j$个词的特征值，这里最常用的是基于预处理后的标准化TF-IDF值。k是我们假设的主题数，一般要比文本数少。SVD分解后，$U_{il}$对应第$i$个文本和第$l$个主题的相关度。$V_{jm}$对应第$j$个词和第$m$个词义的相关度。$Σ_{lm}$对应第$l$个主题和第$m$个词义的相关度。
也可以反过来解释：我们输入的有$m$个词，对应$n$个文本。而$A_{ij}$则对应第$i$个词档的第$j$个文本的特征值，这里最常用的是基于预处理后的标准化TF-IDF值。k是我们假设的主题数，一般要比文本数少。SVD分解后，$U_{il}$对应第$i$个词和第$l$个词义的相关度。$V_{jm}$对应第$j$个文本和第$m$个主题的相关度。$Σ_{lm}$对应第$l$个词义和第$m$个主题的相关度。
这样我们通过一次SVD，就可以得到文档和主题的相关度，词和词义的相关度以及词义和主题的相关度。
2. 相似度计算
通过LSI得到的文本主题矩阵可以用于文本相似度计算。而计算方法一般是通过余弦相似度。
from gensim.test.utils import common_dictionary, common_corpus
from gensim.models import LsiModel
from gensim import similarities
if __name__ == '__main__':
for k, v in common_dictionary.items():
print(k, v)
print(len(common_dictionary)) # 12个词汇
print(len(common_corpus)) # 9个文档
model = LsiModel(common_corpus, num_topics=3, id2word=common_dictionary) # 3个主题
vectorized_corpus = model[common_corpus] # 右奇异向量，文档-主题 (9,3)
# for x in vectorized_corpus:
# print(x)
#
print(model.projection.u.shape) # 左奇异向量主题-单词，shape为(12,3)
print(model.projection.s.shape) # 奇异值 (3,)
for x in vectorized_corpus:
print(x)
index = similarities.MatrixSimilarity(vectorized_corpus)
print("==" * 30)
print(vectorized_corpus[0])
print(list(enumerate(index[vectorized_corpus[0]]))) # 计算各个文本与第一个文本的相似度
3.实战
import re
from collections import defaultdict
import jieba.posseg
import numpy as np
import codecs
import os
import pickle
from gensim import corpora,models,similaritiesdef tokenizer(filename, stop_words):
"""
读取文件内容，并进行分词
:param filename:文件名称
:param stop_words:list,停用词
:return:[[word1,word2]]
"""
texts = []
with open(filename, "r", encoding="utf-8") as f:
for line in f.readlines():
texts.append([token for token, _ in jieba.posseg.cut(line.rstrip()) if token not in stop_words])
# 去除仅出现一次的单词
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]
return textsstop_words_filepath = "/content/drive/My Drive/data/qa/data/stop_words.txt"
knowledge_texts_filepath = "/content/drive/My Drive/data/qa/data/knowledge.txt"
stop_words = codecs.open(stop_words_filepath, "r", encoding="utf-8").readlines()
stop_words = [w.strip() for w in stop_words]
texts = tokenizer(knowledge_texts_filepath, stop_words)def topk_sim_ix(texts,stops,k):
"""
:param file_name: 分词后的训练样本
:param stop_words:停用词
:param k:与每个文本top k相似度的文本
:return:list
"""
dictionary = corpora.Dictionary(texts) #构建词典
corpus=[dictionary.doc2bow(text) for text in texts] #bow
# 构建LSI模型
lsi = models.LsiModel(corpus, id2word=dictionary, num_topics=10) # 潜在语义索引(分析),主题数量为10
index = similarities.MatrixSimilarity(lsi[corpus],num_best=k) # 计算相似度
vec_lsi=lsi[corpus]
return index[vec_lsi]
index=topk_sim_ix(texts,stop_words,5)总共11740个文档，每个文档选择5个最相似的文档
len(index),len(texts),len(index[0])
第一个文档，除了文档本身外，最相似的就是第123、39、3985、11176个文档
for index_text in index[0]:
print(texts[index_text[0]],index_text[1])