コーパス内におけるクエリの表現

Question

###やりたいこと
こちらを参考にして実装中のプログラムで作成したコーパスの類似度を求めようと思っているのですが、
サンプルコード内で

#クエリを特徴ベクトルで表現
query = [(0,1)(4,1)]

#queryと類似するもの上位10件を出力
print softed(enumerate(index[query]), reverse = True, key = lambda x:x[1])[:10]

というふうにクエリが表現されているのですが、
クエリのインデックス？部分（[(0,1),(4,1)]）の数字
がコーパスや辞書などのどの数字に対応しているのかを教えていただきたいです。

###実装中のコード

#!/usr/bin/env python3
# -*- coding: utf-8 -*-

"""
トピックモデル(入力:novel_setの全ての.txtファイル)
各ファイルの管理可能
形態素解析対象:名詞(代名詞,非自立名詞,数,固有名詞を除く)
"""

import time
import glob
import MeCab
from gensim import corpora, models, similarities

t0 = time.time()

"""
file_list[file_no]:ファイル番号file_noのファイル名
"""
file_list = glob.glob('novel_set/*.txt')

#形態素解析(文字列を改行位置で区切って分割）
mecab = MeCab.Tagger ("-Ochasen")

texts = []
for file in file_list:
    f = open(file, "r",encoding = "utf-8")
    text = f.read()
    f.close()
    chunks = mecab.parse(text).splitlines()

    #絞り込み
    sels = []
    for chunk in chunks:
        cols = chunk.split('\t')
        if len(cols) >= 4:
            parts = cols[3].split('-')
            #指定した品詞で始まっている場合　→　true
            if parts[0].startswith('名詞'):
                #代名詞,非自立名詞,固有名詞,数を含めない
                if parts[1] in ['代名詞','非自立','固有名詞','数']:
                    continue
                #形態素を追加
                #sels:形態素(原形)のみの行列
                sels.append(cols[2])
    texts.append(sels)

dictionary = corpora.Dictionary(texts)
corpus = [dictionary.doc2bow(text) for text in texts]

index = similarities.docsim.SparseMatrixSimilarity(corpus,num_features = len(dictionary))

t1 = time.time()

#トピック数
num_topics = 10

#LDAモデルに投入
lda = models.LdaModel(corpus = corpus, id2word = dictionary, num_topics = num_topics)
lda.save('lda.model')

t2 = time.time()

print(lda)

#各トピックにおける各トークンの出現確率を係数で表示
for topic in lda.show_topics(-1):
    print(topic)

print('ファイル数:%d'%len(file_list))

corpus_time = t1 - t0
print('コーパス生成時間：%f秒'%corpus_time)

lda_time = t2 -t1
print('LDAモデル生成時間：%f秒'%lda_time)

total_time = t2 - t0
print('合計時間：%f秒'%total_time)

Answer 1

http://hivecolor.com/id/58
の

doc2bow()はdistinctした結果から単語の出現回数を数えます。

[(0, 1), (1, 1)]という出力結果から、computerの辞書内のIDは0で今回の出現回数1回、humanの辞書内のIDは1で今回の出現回数は1回、interctionは辞書に入っていない(なので無視された)、ということが分かります。

Comments

[aoisj]

回答ありがとうございます。
クエリ[(0,1)ｊ,(4,1)]の場合、
「辞書内ID0の単語が1回かつ辞書内ID4の単語が1回出ている文書」という意味で、
分析したいファイルの特徴ベクトルを見つけないといけないということでしょうか？

[mkgrei]

前半はその通りです。

後半の質問はどのような意味でしょうか。
ファイルがあるのであれば、
query = dic.doc2bow(parse(file_content))
で特徴ベクトルをゲットできます。

[aoisj]

file_contentの部分を私のプログラムの場合、
file_list[]の要素の１つに変更すれば求められるということでしょうか？