1，文本的数据清洗：
过滤文章中包含无用词的语句
去除文章中特定词性的词
提取全部文本
将空文本去除
2.生成词典并向量转化
3.主题向量的转化
1）首先将模型对象的始化。通Gensim模型接受一段训练集（注意在Gensim中，语料对应着一个稀疏向量的迭代器）作为初始化的参数。
（2）利用初始化的模型将语料转化为对象的向量
1）TFIDF（词频逆文档频率）
2）LSI（潜在语义索引）
将词袋模型或TFIDF空间映射到低维度的潜在空间，推荐200-500为金标准，在达观数据的长文本分类中，尝试350的维度分数得分优于其他维度。LSI可以进行增量训练，只要有新文档可以一直输入模型当中，通过add_document方法。如果python报memoryerror，那就是内存不够了，需要降低维度。
3)LDA（隐含狄利克雷分配）
LDA是LSA的概率扩展，也是向低纬度转化的方式
4)RP(随即映射)
目的在于减小空维度，通过随机性，近似的到文档之间的TFIDF距离，但对于大数据量很慢
4.相似度匹配
在得到文章对应的主题向量以后，就可以进行相似性匹配，将多个文档遍历进行匹配，然后排序选择相似度最大的文章，取其在训练集中对应的分类编号，作为测试文档的类别。在单纯使用LSI向量，不加入TFIDF的情况下，准确率不高。
如果单纯将corpus转化为LSI向量，需要将测试文章用LSI模型转化一次：
网友评论