使用 gensim 库进行内存高效 LDA 训练

Question

今天我刚刚开始编写一个脚本，该脚本使用 gensim 库在大型语料库（最少 30M 句）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)

在一个小型语料库（200 万个句子）上运行这个脚本，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。 问题显然是由于我使用以下命令加载语料库：

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)

我搜索了解决此问题的方法，但找不到任何有用的信息。 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，它应该已经是一个解决方案了。

对这个问题有什么想法和解决方案吗？

Answer 1

考虑将您的 corpus 包装为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 还提供多种不同的语料库格式，可在API reference 中找到。你可以考虑使用TextCorpus，它应该已经很适合你的格式了：

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)