PMI为什么只算了12400个单词？计算代码能共享么？

[jackyetz]

PMI只有12400多个单词，但是训练集中有2w个以上单词，为什么？ 计划换个数据集看看效果，能共享你的PMI计算代码么？

[victorywys]

这是因为我们只把名词和动词作为了话题词，其他词性的词我们不把它们作为是话题词。而我们的PMI只是为了寻找相关话题的词，所以只在名词和动词上进行了计算，因此实际计算了PMI的数量比训练集词表词数要少一些。

我尝试着找了下当时计算PMI的代码，但很可惜没有找到。

我们计算PMI的方式是对于一个post与response一一对应的语料库，统计每一个词x在post中的出现次数n1与词y在response中的出现次数n2，再对于每一个pair (x, y)，统计post中出现x时response中也出现了y的次数n，最后计算log(n / (n1 * n2))作为x与y之间的PMI。为了使用方便，我们的文件中存的是n/(n1 * n2)（没有取log）。 我们计算PMI所使用的语料库是整个weibo_dataset的语料库，您也可以利用其它语料库自行计算。有关PMI最原始的定义，您可以参见这篇论文。