TfIdfVectorizer：固定词汇的向量化器如何处理新词？
TfIdfVectorizer: How does the vectorizer with fixed vocab deal with new words?
我正在处理约 10 万篇研究论文的语料库。我正在考虑三个领域：
- 明文
- 标题
- 摘要
我使用 TfIdfVectorizer 获取纯文本字段的 TfIdf 表示，并将由此生成的词汇反馈回标题和摘要的 Vectorizers，以确保所有三种表示都在同一个词汇上工作。我的想法是，由于明文字段比其他两个字段大得多，因此它的词汇很可能涵盖其他字段中的所有单词。但是，如果不是这种情况，TfIdfVectorizer 将如何处理新的 words/tokens？
这是我的代码示例：
vectorizer = TfidfVectorizer(min_df=2)
plaintexts_tfidf = vectorizer.fit_transform(plaintexts)
vocab = vectorizer.vocabulary_
# later in an another script after loading the vocab from disk
vectorizer = TfidfVectorizer(min_df=2, vocabulary=vocab)
titles_tfidf = vectorizer.fit_transform(titles)
词汇表有 ~900k 个单词。
在向量化过程中，我没有 运行 遇到任何问题，但是后来当我想使用 sklearn.metrics.pairwise.cosine_similarity 比较向量化标题之间的相似性时，我 运行 遇到了这个错误：
>> titles_sim = cosine_similarity(titles_tfidf)
---------------------------------------------------------------------------
ValueError Traceback (most recent call last)
<ipython-input-237-5aa86fe892da> in <module>()
----> 1 titles_sim = cosine_similarity(titles)
/usr/local/lib/python3.5/dist-packages/sklearn/metrics/pairwise.py in cosine_similarity(X, Y, dense_output)
916 Y_normalized = normalize(Y, copy=True)
917
--> 918 K = safe_sparse_dot(X_normalized, Y_normalized.T, dense_output=dense_output)
919
920 return K
/usr/local/lib/python3.5/dist-packages/sklearn/utils/extmath.py in safe_sparse_dot(a, b, dense_output)
184 ret = a * b
185 if dense_output and hasattr(ret, "toarray"):
--> 186 ret = ret.toarray()
187 return ret
188 else:
/usr/local/lib/python3.5/dist-packages/scipy/sparse/compressed.py in toarray(self, order, out)
918 def toarray(self, order=None, out=None):
919 """See the docstring for `spmatrix.toarray`."""
--> 920 return self.tocoo(copy=False).toarray(order=order, out=out)
921
922 ##############################################################
/usr/local/lib/python3.5/dist-packages/scipy/sparse/coo.py in toarray(self, order, out)
256 M,N = self.shape
257 coo_todense(M, N, self.nnz, self.row, self.col, self.data,
--> 258 B.ravel('A'), fortran)
259 return B
260
ValueError: could not convert integer scalar
我不太确定这是否相关，但我真的看不出这里出了什么问题。也因为我没有 运行 在计算明文向量的相似性时出错。
我是不是漏掉了什么？ Vectorizer 有更好的使用方法吗？
编辑：
稀疏的形状 csr_matrices 是相等的。
>> titles_tfidf.shape
(96582, 852885)
>> plaintexts_tfidf.shape
(96582, 852885)
恐怕矩阵可能太大了。它将是 96582*96582=9328082724 个单元格。尝试切片 titles_tfidf 一点并检查。
来源：http://scipy-user.10969.n7.nabble.com/SciPy-User-strange-error-when-creating-csr-matrix-td20129.html
美国东部时间：
如果您使用的是旧 SciPy/Numpy 版本，您可能需要更新：https://github.com/scipy/scipy/pull/4678
EDT2：
此外，如果您使用的是 32 位 python，切换到 64 位可能会有所帮助（我想）
EDT3：
回答你原来的问题。当您使用 plaintexts 中的词汇并且 titles 中会有新词时，它们将被忽略 - 但不会影响 tfidf 值。希望这个片段可以让它更容易理解：
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity
plaintexts =["They are", "plain texts texts amoersand here"]
titles = ["And here", "titles ", "wolf dog eagle", "But here plain"]
vectorizer = TfidfVectorizer()
plaintexts_tfidf = vectorizer.fit_transform(plaintexts)
vocab = vectorizer.vocabulary_
vectorizer = TfidfVectorizer(vocabulary=vocab)
titles_tfidf = vectorizer.fit_transform(titles)
print('values using vocabulary')
print(titles_tfidf)
print(vectorizer.get_feature_names())
print('Brand new vectorizer')
vectorizer = TfidfVectorizer()
titles_tfidf = vectorizer.fit_transform(titles)
print(titles_tfidf)
print(vectorizer.get_feature_names())
结果是：
values using vocabulary
(0, 2) 1.0
(3, 3) 0.78528827571
(3, 2) 0.61913029649
['amoersand', 'are', 'here', 'plain', 'texts', 'they']
Brand new vectorizer
(0, 0) 0.78528827571
(0, 4) 0.61913029649
(1, 6) 1.0
(2, 7) 0.57735026919
(2, 2) 0.57735026919
(2, 3) 0.57735026919
(3, 4) 0.486934264074
(3, 1) 0.617614370976
(3, 5) 0.617614370976
['and', 'but', 'dog', 'eagle', 'here', 'plain', 'titles', 'wolf']
注意它不一样，因为我会从标题中删除明文中没有出现的单词。
我正在处理约 10 万篇研究论文的语料库。我正在考虑三个领域：
- 明文
- 标题
- 摘要
我使用 TfIdfVectorizer 获取纯文本字段的 TfIdf 表示，并将由此生成的词汇反馈回标题和摘要的 Vectorizers，以确保所有三种表示都在同一个词汇上工作。我的想法是，由于明文字段比其他两个字段大得多，因此它的词汇很可能涵盖其他字段中的所有单词。但是，如果不是这种情况，TfIdfVectorizer 将如何处理新的 words/tokens？
这是我的代码示例：
vectorizer = TfidfVectorizer(min_df=2)
plaintexts_tfidf = vectorizer.fit_transform(plaintexts)
vocab = vectorizer.vocabulary_
# later in an another script after loading the vocab from disk
vectorizer = TfidfVectorizer(min_df=2, vocabulary=vocab)
titles_tfidf = vectorizer.fit_transform(titles)
词汇表有 ~900k 个单词。
在向量化过程中，我没有 运行 遇到任何问题，但是后来当我想使用 sklearn.metrics.pairwise.cosine_similarity 比较向量化标题之间的相似性时，我 运行 遇到了这个错误：
>> titles_sim = cosine_similarity(titles_tfidf)
---------------------------------------------------------------------------
ValueError Traceback (most recent call last)
<ipython-input-237-5aa86fe892da> in <module>()
----> 1 titles_sim = cosine_similarity(titles)
/usr/local/lib/python3.5/dist-packages/sklearn/metrics/pairwise.py in cosine_similarity(X, Y, dense_output)
916 Y_normalized = normalize(Y, copy=True)
917
--> 918 K = safe_sparse_dot(X_normalized, Y_normalized.T, dense_output=dense_output)
919
920 return K
/usr/local/lib/python3.5/dist-packages/sklearn/utils/extmath.py in safe_sparse_dot(a, b, dense_output)
184 ret = a * b
185 if dense_output and hasattr(ret, "toarray"):
--> 186 ret = ret.toarray()
187 return ret
188 else:
/usr/local/lib/python3.5/dist-packages/scipy/sparse/compressed.py in toarray(self, order, out)
918 def toarray(self, order=None, out=None):
919 """See the docstring for `spmatrix.toarray`."""
--> 920 return self.tocoo(copy=False).toarray(order=order, out=out)
921
922 ##############################################################
/usr/local/lib/python3.5/dist-packages/scipy/sparse/coo.py in toarray(self, order, out)
256 M,N = self.shape
257 coo_todense(M, N, self.nnz, self.row, self.col, self.data,
--> 258 B.ravel('A'), fortran)
259 return B
260
ValueError: could not convert integer scalar
我不太确定这是否相关，但我真的看不出这里出了什么问题。也因为我没有 运行 在计算明文向量的相似性时出错。
我是不是漏掉了什么？ Vectorizer 有更好的使用方法吗？
编辑：
稀疏的形状 csr_matrices 是相等的。
>> titles_tfidf.shape
(96582, 852885)
>> plaintexts_tfidf.shape
(96582, 852885)
恐怕矩阵可能太大了。它将是 96582*96582=9328082724 个单元格。尝试切片 titles_tfidf 一点并检查。
来源：http://scipy-user.10969.n7.nabble.com/SciPy-User-strange-error-when-creating-csr-matrix-td20129.html
美国东部时间： 如果您使用的是旧 SciPy/Numpy 版本，您可能需要更新：https://github.com/scipy/scipy/pull/4678
EDT2： 此外，如果您使用的是 32 位 python，切换到 64 位可能会有所帮助（我想）
EDT3：
回答你原来的问题。当您使用 plaintexts 中的词汇并且 titles 中会有新词时，它们将被忽略 - 但不会影响 tfidf 值。希望这个片段可以让它更容易理解：
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity
plaintexts =["They are", "plain texts texts amoersand here"]
titles = ["And here", "titles ", "wolf dog eagle", "But here plain"]
vectorizer = TfidfVectorizer()
plaintexts_tfidf = vectorizer.fit_transform(plaintexts)
vocab = vectorizer.vocabulary_
vectorizer = TfidfVectorizer(vocabulary=vocab)
titles_tfidf = vectorizer.fit_transform(titles)
print('values using vocabulary')
print(titles_tfidf)
print(vectorizer.get_feature_names())
print('Brand new vectorizer')
vectorizer = TfidfVectorizer()
titles_tfidf = vectorizer.fit_transform(titles)
print(titles_tfidf)
print(vectorizer.get_feature_names())
结果是：
values using vocabulary
(0, 2) 1.0
(3, 3) 0.78528827571
(3, 2) 0.61913029649
['amoersand', 'are', 'here', 'plain', 'texts', 'they']
Brand new vectorizer
(0, 0) 0.78528827571
(0, 4) 0.61913029649
(1, 6) 1.0
(2, 7) 0.57735026919
(2, 2) 0.57735026919
(2, 3) 0.57735026919
(3, 4) 0.486934264074
(3, 1) 0.617614370976
(3, 5) 0.617614370976
['and', 'but', 'dog', 'eagle', 'here', 'plain', 'titles', 'wolf']
注意它不一样，因为我会从标题中删除明文中没有出现的单词。