我正在生成二元组from gensim.models.phrases，我将在下游与 TF-IDF 和/或 gensim.LDA 一起使用

from gensim.models.phrases import Phrases, Phraser

# 7k documents, ~500-1k tokens each. Already ran cleanup, stop_words, lemmatization, etc
docs = get_docs()

phrases = Phrases(docs)
bigram = Phraser(phrases)
docs = [bigram[d] for d in docs]

Phrases有min_count=5, threshold=10. 我不太明白它们是如何相互作用的，它们似乎相关？无论如何，我看到threshold不同教程中的值范围为 1-> 1000，这对于确定生成的二元组数量很重要。我找不到关于如何为一个人的目的获得体面价值的解释，只是“小提琴和最适合你的东西”。是否有任何直觉/公式来选择这个值，可能是“如果你想在字典中添加 x% 更多的标记，请使用 y”；或者“如果你的语料库大小是 x，试试 y”？我也看到scoring='default'可以设置为'npmi'。从链接的文件中，他们说and t is a chosen threshold, typically around 10e−5。如果我只是想让它“足够好”而不需要摆弄太多，这可能是一个不错的方法吗？那是，phrases = Phrases(docs, scoring='npmi', threshold=10e-5)

TL;DR：是否有一种简单或直观的方式来选择体面的threshold（例如，基于语料库大小）；或者会scoring='npmi',threshold=10e-5更简单？