Python 如何从gensim中的文档中删除停止字？

我正在使用Python中的Doc2Vec技术，使用其

gensim

包构建一个NLP聊天应用程序。我已经完成了标记化和词干化。我想从训练集中以及用户抛出的问题中删除停止词（以测试它是否工作得更好）

这是我的密码

import gensim
import nltk
from gensim import models
from gensim import utils
from gensim import corpora
from nltk.stem import PorterStemmer
ps = PorterStemmer()

sentence0 = models.doc2vec.LabeledSentence(words=[u'sampl',u'what',u'is'],tags=["SENT_0"])
sentence1 = models.doc2vec.LabeledSentence(words=[u'sampl',u'tell',u'me',u'about'],tags=["SENT_1"])
sentence2 = models.doc2vec.LabeledSentence(words=[u'elig',u'what',u'is',u'my'],tags=["SENT_2"])
sentence3 = models.doc2vec.LabeledSentence(words=[u'limit', u'what',u'is',u'my'],tags=["SENT_3"])
sentence4 = models.doc2vec.LabeledSentence(words=[u'claim',u'how',u'much',u'can',u'I'],tags=["SENT_4"])
sentence5 = models.doc2vec.LabeledSentence(words=[u'retir',u'i',u'am',u'how',u'much',u'can',u'elig',u'claim'],tags=["SENT_5"])
sentence6 = models.doc2vec.LabeledSentence(words=[u'resign',u'i',u'have',u'how',u'much',u'can',u'i',u'claim',u'elig'],tags=["SENT_6"])
sentence7 = models.doc2vec.LabeledSentence(words=[u'promot',u'what',u'is',u'my',u'elig',u'post',u'my'],tags=["SENT_7"])
sentence8 = models.doc2vec.LabeledSentence(words=[u'claim',u'can,',u'i',u'for'],tags=["SENT_8"])
sentence9 = models.doc2vec.LabeledSentence(words=[u'product',u'coverag',u'cover',u'what',u'all',u'are'],tags=["SENT_9"])
sentence10 = models.doc2vec.LabeledSentence(words=[u'hotel',u'coverag',u'cover',u'what',u'all',u'are'],tags=["SENT_10"])
sentence11 = models.doc2vec.LabeledSentence(words=[u'onlin',u'product',u'can',u'i',u'for',u'bought',u'through',u'claim',u'sampl'],tags=["SENT_11"])
sentence12 = models.doc2vec.LabeledSentence(words=[u'reimburs',u'guidelin',u'where',u'do',u'i',u'apply',u'form',u'sampl'],tags=["SENT_12"])
sentence13 = models.doc2vec.LabeledSentence(words=[u'reimburs',u'procedur',u'rule',u'and',u'regul',u'what',u'is',u'the',u'for'],tags=["SENT_13"])
sentence14 = models.doc2vec.LabeledSentence(words=[u'can',u'i',u'submit',u'expenditur',u'on',u'behalf',u'of',u'my',u'friend',u'and',u'famili',u'claim',u'and',u'reimburs'],tags=["SENT_14"])
sentence15 = models.doc2vec.LabeledSentence(words=[u'invoic',u'bills',u'procedur',u'can',u'i',u'submit',u'from',u'shopper stop',u'claim'],tags=["SENT_15"])
sentence16 = models.doc2vec.LabeledSentence(words=[u'invoic',u'bills',u'can',u'i',u'submit',u'from',u'pantaloon',u'claim'],tags=["SENT_16"])
sentence17 = models.doc2vec.LabeledSentence(words=[u'invoic',u'procedur',u'can',u'i',u'submit',u'invoic',u'from',u'spencer',u'claim'],tags=["SENT_17"])

# User asks a question.

document = input("Ask a question:")
tokenized_document = list(gensim.utils.tokenize(document, lowercase = True, deacc = True))
#print(type(tokenized_document))
stemmed_document = []
for w in tokenized_document:
    stemmed_document.append(ps.stem(w))
sentence19 = models.doc2vec.LabeledSentence(words= stemmed_document, tags=["SENT_19"])

# Building vocab.
sentences = [sentence0,sentence1,sentence2,sentence3, sentence4, sentence5,sentence6, sentence7, sentence8, sentence9, sentence10, sentence11, sentence12, sentence13, sentence14, sentence15, sentence16, sentence17, sentence19]

#I tried to remove the stop words but it didn't work out as LabeledSentence object has no attribute lower.
stoplist = set('for a of the and to in'.split())
texts = [[word for word in document.lower().split() if word not in stoplist]
          for document in sentences]
..

---

有没有一种方法可以直接从

句子中删除停止词

并获得一组没有停止词的新词汇？

您的

句子

对象已经是一个

标签项

对象列表。你在上面构建这些；它们包括

单词

中的字符串列表和

标记

中的字符串列表

因此列表中的每个项目（列表理解中的

document

）都不能应用

.lower（）

这样的字符串方法。（它也不需要是

.split（）

，因为它的

单词

已经是独立的标记。）

最干净的方法是在停止词用于构建

LabeledSentence

对象之前，将其从单词列表中删除。例如，您可以创建一个函数

，而不使用顶部定义的\u stopwords（）

。然后，您创建

LabeledEntence

对象的行可以如下所示：

sentence0 = LabeledSentence(words=remove_stopwords([u'sampl', u'what', u'is']), 
                            tags=["SENT_0"])

或者，您可以对现有的

LabeledSentence

对象进行变异，使其每个

单词

属性现在都缺少停止词。这将用以下内容替换您的最后一行：

for doc in sentences:
    doc.words = [word for word in doc.words if word not in stoplist]
texts = sentences

另外，你没有问但应该知道的事情：

• TaggedDocument

  现在是Doc2Vec文本对象的首选示例类名–但事实上，任何具有两个必需属性

  words

  和

  tags

  的对象都可以正常工作

• Doc2Vec并没有在微小的玩具大小的数据集上显示许多所需的属性——如果一个建立在几十个句子上的模型没有做任何有用的事情，或者误导了什么样的预处理/元参数选项是最好的，请不要感到惊讶。（数以万计的文本，以及至少几十个单词长的文本，对于有意义的结果来说要好得多。）

• Word2Vec/Doc2Vec的很多工作都不涉及词干或停止单词删除，但有时可能会有所帮助

---

是的，你是对的。它不准确，大多数时候给出的余弦相似性都是错误的，但这没什么帮助。这就是提供给我的数据。这就是为什么我要检查词干删除或停止单词删除是否有帮助。当我有一个示例问题和答案的列表时，你能给我一个更好的方法来构建一个问答系统吗。谢谢。问答系统是一个相当广泛的领域&可能的工作可能需要比Doc2Vec多得多的东西，这取决于你有多少和什么样的QA数据。对于新Qs和以前Qs的简单相似性，Doc2Vec可能会起作用，但您需要更多的培训数据。还有一种有趣的句子相似性技术叫做“单词移动距离”，它只需要单词（而不是每个文档训练的向量）。这可能有助于找到最相似的早期Qs。它在gensim Word2Vec/KeyedVectors上以

wmdistance（）

的形式提供，但在大型数据集上成对计算的速度非常慢。