LDA 原始输出

• 一元语法

  • 主题1 - 水肺、水、蒸汽、潜水

  • 主题2 -二氧化物、植物、绿色、碳

所需输出

• 二元组主题

  • 主题1 - 水肺潜水，水蒸气

  • 主题2-绿色植物，二氧化碳

任何想法？

鉴于我有一个名为docs，包含文档中的单词列表，我可以使用 nltk.util.ngrams 或您自己的函数将其转换为单词+二元组（或三元组等）数组，如下所示：

from nltk.util import ngrams

for doc in docs:
    docs[doc] = docs[doc] + ["_".join(w) for w in ngrams(docs[doc], 2)]

然后将此字典的值作为语料库传递给 LDA 模型。因此，由下划线连接的二元组被视为单个标记。