Python之LDA主题模型算法应用

原文连接：http://tecdat.cn/?p=5318

在这篇文章中，我将介绍用于Latent Dirichlet Allocation（LDA）的lda Python包的安装和基本用法。我不会在这篇文章中介绍该方法的理论基础。将语料库（文档集）中的文档分配给基于单词矢量的潜在（隐藏）主题的主要思想是至关容易理解的，而这个例子（来自lda）将有助于巩固咱们对LDA模型的理解。

安装lda

简而言之，两种方法：

• 方法1：

我将以用户身份安装lda

$ pip install --user lda

这也将安装所需的pbr包。如今我将 在一个设置中提供lda，其中包含我以前安装的全部其余软件包。使用此方法，您应该在安装后获得相似的内容：

$ pip show lda
\-\-\-
Name: lda
Requires: pbr, numpy

lda已经安装好了。让咱们一块儿完成示例。

一个例子

查看路透社新闻发布的语料库。首先，咱们作一些导入：

import numpy as np

import lda

import lda.datasets

接下来，咱们导入用于示例的数据。这包含在 lda包中，所以这一步很简单（我还输出出每一个项目的数据类型和大小）：

从上面咱们能够看到有395个新闻项目（文档）和一个大小为4258的词汇表。文档术语矩阵X具备395个词汇，表中是每一个4258个词汇单词的出现次数。文档。例如，X [0,3117]是单词3117在文档0中出现的次数。咱们能够找出计数和与之对应的单词和文档标题：

doc_id = 0
word_id = 3117
print("doc id: {} word id: {}".format(doc\_id, word\_id))
print("-- count: {}".format(X\[doc\_id, word\_id\]))
print("-- word : {}".format(vocab\[word_id\]))
print("-- doc  : {}".format(titles\[doc_id\]))

选择模型

接下来，咱们初始化并拟合LDA模型。咱们必须选择主题的数量（其余方法也能够尝试查找主题的数量，但对于LDA，咱们必须假设一个数字）。继续咱们选择的示例：

model = lda.LDA(n\_topics=20, n\_iter=500, random_state=1)

先前有几个参数是咱们保留默认值。据我所知，这里只使用对称先验 。

主题字

从拟合模型中咱们能够看到主题词几率：

从输出的大小咱们能够看出，对于20个主题中的每个，咱们在词汇表中分配了4258个单词。对于每一个主题，应该对单词的几率进行标准化。咱们来看看前5：

for n in range(5):
    sum\_pr = sum(topic\_word\[n,:\])
    print("topic: {} sum: {}".format(n, sum_pr))

咱们还能够得到每一个主题的前5个单词（按几率）：

 * 主题 6

- 德国 战争 政治 政府

* 主题 7

- 哈里曼   克林顿 丘吉尔 大使

* 主题 8

- 俄罗斯 总统 克里姆林宫

* 主题 9

- 王子 女王 鲍尔斯 教会 王

* 主题 10

- 辛普森 亿 年前 南

- 红衣主教 癌症 教会 生活

* 主题 17

- 丧葬 教会 城市 死亡

* 主题 18

- 博物馆  文化 城市 文化

* 主题 19

- 艺术 展 世纪 城市 之旅

这让咱们了解了20个主题多是什么含义。

文档主题

咱们从模型中得到文档主题几率：

doc\_topic = model.doc\_topic_

查看输出的大小，咱们能够看到395个文档中的每一个文档都有20个主题的分布。这些应该针对每一个文档进行标准化，让咱们测试前5个：

for n in range
   document: 0 sum: 1.0
   document: 1 sum:

文件： 0 总和： 1.0

文件： 1 总和： 1.0

文件： 2 总和： 1.0

文件： 3 总和： 1.0

文件： 4 总和： 1.0

咱们能够对最可能的主题进行抽样：

for n in range(10):
    topic\_most\_pr = doc_topic\[n\].argmax

可视化

 让咱们看看主题词分布是什么样的。每一个主题应该有一个独特的单词分布。在下面的词干图中，每一个词干的高度反映了主题中单词的几率：

plt.tight_layout()
plt.show()

最后，让咱们看一下几个文档的主题分布。这些分布给出了每一个文档的20个主题中每一个主题的几率。

plt.tight_layout()
plt.show()