python：使用sklearn在文档聚类中面临内存问题

Posted 2023-03-12

【中文标题】python：使用sklearn在文档聚类中面临内存问题

【英文标题】：python : facing memory issue in document clustering using sklearn

【发布时间】：2017-03-16 21:23:45

【问题描述】：

我正在使用 sklearn 的 TfIdfVectorizer 进行文档聚类。我有 2000 万条文本，我想为其计算集群。但是计算 TfIdf 矩阵需要花费太多时间并且系统会卡住。

有什么技术可以解决这个问题吗？在任何 python 模块中是否有任何替代方法？

【参考方案1】：

嗯，2000 万 个文本的语料库非常大，没有细致全面的预处理，也没有一些好的计算实例（即大量的内存和好的 CPU )，TF-IDF 计算可能需要很长时间。

你能做什么：

将您的文本语料库限制为数十万个样本（比如说 200.000 个文本）。与小得多（但合理）的数据集相比，文本过多可能不会引入更多差异。

尽量预处理您的文本。一个基本的方法是：标记你的文本，使用停用词，词干，小心使用 n_grams。 完成所有这些步骤后，看看你减少了多少词汇量。它应该比原来的小很多。

如果不是太大（谈论您的数据集），这些步骤可能会帮助您更快地计算 TF-IDF。

【参考方案2】：

从小处着手。

第一个集群只有 100.00 个文档。只有当它起作用（因为它可能不会），然后考虑扩大规模。 如果你没有成功地对子集进行聚类（文本聚类通常很糟糕），那么你在大集合上的表现就不会很好。