在Gensim中，从二元模型还是三元模型导出二元组更合理？

两种方式提取的二元组存在差异是正常现象，它们没有绝对的“谁对谁错”，核心区别在于训练时的输入语境和模型目标不同，你需要根据自身需求选择：

• 从bigram_model提取的bigrams1
  这是基于原始unigram文本直接训练得到的二元短语集合，完全反映了原始语料中词与词的共现规律。该模型的设计目标就是专门挖掘二元短语，因此它导出的结果是最贴合原始语料的二元组——如果你需要的是原始语境下的基础二元短语，这是最准确的选择。

• 从trigram_model提取的bigrams2
  这个模型的输入是已经合并了二元短语的文本（texts_bigram），核心目标是挖掘三元短语（比如"machine_learning_algorithm"这类组合）。导出的二元组只是训练过程中的副产物：此时模型处理的token序列已经包含合并后的二元短语，剩余未合并词之间的共现关系和原始语料完全不同，所以提取出的二元组是“经过二元短语过滤后”语境下的产物，并非原始语料的直接反映。

总结 #

如果你的需求是获取原始语料中的二元短语，直接用bigram_model.export_phrases()得到的bigrams1才是对应场景下的正确结果；trigram模型导出的二元组更多是服务于三元短语生成的中间产物，不能替代原始二元组的提取。

内容的提问来源于stack exchange，提问作者Victor Wang