本文整理汇总了Python中sklearn.decomposition.LatentDirichletAllocation.append方法的典型用法代码示例。如果您正苦于以下问题：Python LatentDirichletAllocation.append方法的具体用法？Python LatentDirichletAllocation.append怎么用？Python LatentDirichletAllocation.append使用的例子？那么恭喜您, 这里精选的方法代码示例或许可以为您提供帮助。您也可以进一步了解该方法所在类sklearn.decomposition.LatentDirichletAllocation的用法示例。
在下文中一共展示了LatentDirichletAllocation.append方法的1个代码示例，这些例子默认根据受欢迎程度排序。您可以为喜欢或者感觉有用的代码点赞，您的评价将有助于系统推荐出更棒的Python代码示例。
示例1: compute_lda
# 需要导入模块: from sklearn.decomposition import LatentDirichletAllocation [as 别名]
# 或者: from sklearn.decomposition.LatentDirichletAllocation import append [as 别名]
def compute_lda(question1, question2):
seed = 1024
lda = LatentDirichletAllocation(n_topics=10, doc_topic_prior=None,
topic_word_prior=None, learning_method='batch',
learning_decay=0.7, learning_offset=10.0, max_iter=10,
batch_size=128, evaluate_every=-1, total_samples=1000000.0,
perp_tol=0.1, mean_change_tol=0.001, max_doc_update_iter=100,
n_jobs=1, verbose=0, random_state=seed)
bow = CountVectorizer(ngram_range=(1, 1), max_df=0.95, min_df=3, stop_words='english')
vect_orig = make_pipeline(bow, lda)
corpus = question1 + question2
vect_orig.fit(corpus)
lda = []
for q1, q2 in zip(question1, question2):
q1_lda = vect_orig.transform([q1])
q2_lda = vect_orig.transform([q2])
sim = cosine_similarity(q1_lda, q2_lda)
lda.append([sim[0][0]])
print("Created LDA feature feature")
return np.array(lda)