python - 使用 gensim 库进行内存高效 LDA 训练

Question

今天我刚开始编写一个脚本，使用 gensim 库在大型语料库(最少 3000 万个句子)上训练 LDA 模型。这是我正在使用的当前代码:

from gensim import corpora, models, similarities, matutils

def train_model(fname):
    logging.basicConfig(format='%(asctime)s : %(levelname)s : %(message)s', level=logging.INFO)
    dictionary = corpora.Dictionary(line.lower().split() for line in open(fname))
    print "DOC2BOW"
    corpus = [dictionary.doc2bow(line.lower().split()) for line in open(fname)]

    print "running LDA"
    lda = gensim.models.ldamodel.LdaModel(corpus=corpus, id2word=dictionary, num_topics=100, update_every=1, chunksize=10000, asses=1)

在小型语料库(200 万句)上运行此脚本我意识到它需要大约 7GB 的 RAM。当我尝试在更大的语料库上运行它时，由于内存问题，它失败了。问题显然是由于我正在使用此命令加载语料库:

corpus = [dictionary.doc2bow(line.lower().split()) for line in open(fname)]

但是，我认为没有其他方法，因为我需要它来调用 LdaModel() 方法:

lda = gensim.models.ldamodel.LdaModel(corpus=corpus, id2word=dictionary, num_topics=100, update_every=1, chunksize=10000, asses=1)

我搜索了这个问题的解决方案，但找不到任何有用的东西。我想这应该是一个常见问题，因为我们主要在非常大的语料库(通常是维基百科文档)上训练模型。所以，它应该已经是它的解决方案了。

关于这个问题和解决方案有什么想法吗？

Answer 1

考虑将您的 corpus 包装成一个可迭代对象并传递它而不是列表(生成器将不起作用)。

来自 the tutorial :

class MyCorpus(object):
    def __iter__(self):
       for line in open(fname):
            # assume there's one document per line, tokens separated by whitespace
            yield dictionary.doc2bow(line.lower().split())

corpus = MyCorpus()
lda = gensim.models.ldamodel.LdaModel(corpus=corpus, 
                                      id2word=dictionary,
                                      num_topics=100,
                                      update_every=1,
                                      chunksize=10000,
                                      passes=1)

此外，Gensim 有几种不同的语料库格式，可以在 API reference 中找到。 .您可能会考虑使用 TextCorpus，它应该已经很适合您的格式了:

corpus = gensim.corpora.TextCorpus(fname)
lda = gensim.models.ldamodel.LdaModel(corpus=corpus, 
                                      id2word=corpus.dictionary, # TextCorpus can build the dictionary for you
                                      num_topics=100,
                                      update_every=1,
                                      chunksize=10000,
                                      passes=1)