После векторизации нескольких документов с помощью векторизатора scikit tf-idf, есть ли способ получить наиболее "влиятельный" термин для каждого документа?
Я нашел только способы получить наиболее "влиятельные" термины для всего корпуса, но не для каждого документа.
Скажем, вы начинаете с набора данных:
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.feature_extraction.text import TfidfTransformer
import numpy as np
from sklearn.datasets import fetch_20newsgroups
d = fetch_20newsgroups()
Используйте векторизатор count и tfidf:
count_vect = CountVectorizer()
X_train_counts = count_vect.fit_transform(d.data)
transformer = TfidfTransformer()
X_train_tfidf = transformer.fit_transform(X_train_counts)
Теперь вы можете создать обратное отображение:
m = {v: k for (k, v) in count_vect.vocabulary_.items()}
и это дает влиятельное слово в док:
[m[t] for t in np.array(np.argmax(X_train_tfidf, axis=1)).flatten()]
Просто добавьте еще один способ сделать это в двух последних шагах Ami:
# Get a list of all the keywords by calling function
feature_names = np.array(count_vect.get_feature_names())
feature_names[X_train_tfidf.argmax(axis=1)]