Распределение тем: Как мы видим, какой документ относится к какой теме после выполнения LDA в Python

Я могу запустить код LDA от Gensim и получил топ-10 тем с соответствующими ключевыми словами.

Теперь я хотел бы сделать шаг вперед, чтобы увидеть, насколько точен алгоритм LDA, посмотрев, какой документ они объединяют в каждую тему. Возможно ли это в Gensim LDA?

В основном я хотел бы сделать что-то вроде этого, но в Python и с использованием Gensim.

LDA с тематическими моделями, как я могу увидеть, к каким темам относятся разные документы?

Источник

3 ответа

Решение

Используя вероятности тем, вы можете попытаться установить некоторый порог и использовать его в качестве базового уровня кластеризации, но я уверен, что есть более эффективные способы кластеризации, чем этот "хакерский" метод.

from gensim import corpora, models, similarities
from itertools import chain

""" DEMO """
documents = ["Human machine interface for lab abc computer applications",
             "A survey of user opinion of computer system response time",
             "The EPS user interface management system",
             "System and human system engineering testing of EPS",
             "Relation of user perceived response time to error measurement",
             "The generation of random binary unordered trees",
             "The intersection graph of paths in trees",
             "Graph minors IV Widths of trees and well quasi ordering",
             "Graph minors A survey"]

# remove common words and tokenize
stoplist = set('for a of the and to in'.split())
texts = [[word for word in document.lower().split() if word not in stoplist]
         for document in documents]

# remove words that appear only once
all_tokens = sum(texts, [])
tokens_once = set(word for word in set(all_tokens) if all_tokens.count(word) == 1)
texts = [[word for word in text if word not in tokens_once] for text in texts]

# Create Dictionary.
id2word = corpora.Dictionary(texts)
# Creates the Bag of Word corpus.
mm = [id2word.doc2bow(text) for text in texts]

# Trains the LDA models.
lda = models.ldamodel.LdaModel(corpus=mm, id2word=id2word, num_topics=3, \
                               update_every=1, chunksize=10000, passes=1)

# Prints the topics.
for top in lda.print_topics():
  print top
print

# Assigns the topics to the documents in corpus
lda_corpus = lda[mm]

# Find the threshold, let's set the threshold to be 1/#clusters,
# To prove that the threshold is sane, we average the sum of all probabilities:
scores = list(chain(*[[score for topic_id,score in topic] \
                      for topic in [doc for doc in lda_corpus]]))
threshold = sum(scores)/len(scores)
print threshold
print

cluster1 = [j for i,j in zip(lda_corpus,documents) if i[0][1] > threshold]
cluster2 = [j for i,j in zip(lda_corpus,documents) if i[1][1] > threshold]
cluster3 = [j for i,j in zip(lda_corpus,documents) if i[2][1] > threshold]

print cluster1
print cluster2
print cluster3

[out]:

0.131*trees + 0.121*graph + 0.119*system + 0.115*user + 0.098*survey + 0.082*interface + 0.080*eps + 0.064*minors + 0.056*response + 0.056*computer
0.171*time + 0.171*user + 0.170*response + 0.082*survey + 0.080*computer + 0.079*system + 0.050*trees + 0.042*graph + 0.040*minors + 0.040*human
0.155*system + 0.150*human + 0.110*graph + 0.107*minors + 0.094*trees + 0.090*eps + 0.088*computer + 0.087*interface + 0.040*survey + 0.028*user

0.333333333333

['The EPS user interface management system', 'The generation of random binary unordered trees', 'The intersection graph of paths in trees', 'Graph minors A survey']
['A survey of user opinion of computer system response time', 'Relation of user perceived response time to error measurement']
['Human machine interface for lab abc computer applications', 'System and human system engineering testing of EPS', 'Graph minors IV Widths of trees and well quasi ordering']

Просто чтобы было понятнее:

# Find the threshold, let's set the threshold to be 1/#clusters,
# To prove that the threshold is sane, we average the sum of all probabilities:
scores = []
for doc in lda_corpus
    for topic in doc:
        for topic_id, score in topic:
            scores.append(score)
threshold = sum(scores)/len(scores)

Приведенный выше код является суммой баллов по всем словам и по всем темам для всех документов. Затем нормализуйте сумму по количеству баллов.

Источник

Если вы хотите использовать хитрость

cluster1 = [j for i,j in zip(lda_corpus,documents) if i[0][1] > threshold]
cluster2 = [j for i,j in zip(lda_corpus,documents) if i[1][1] > threshold]
cluster3 = [j for i,j in zip(lda_corpus,documents) if i[2][1] > threshold]

В предыдущем ответе alvas убедитесь, что в LdaModel установлено значение imum_probability=0

gensim.models.ldamodel.LdaModel(corpus,
            num_topics=num_topics, id2word = dictionary,
            passes=2, minimum_probability=0)

В противном случае размер lda_corpus и документов может не совпадать, так как gensim будет подавлять любой корпус с вероятностью ниже, чем минимальная вероятность.

Альтернативный способ сгруппировать документы по темам - назначить темы в соответствии с максимальной вероятностью

    lda_corpus = [max(prob,key=lambda y:y[1])
                    for prob in lda[mm] ]
    playlists = [[] for i in xrange(topic_num])]
    for i, x in enumerate(lda_corpus):
        playlists[x[0]].append(documents[i])

Заметка lda[mm] грубо говоря, список списков или 2D матрица. Количество строк - это количество документов, а количество столбцов - это количество тем. Каждый элемент матрицы представляет собой кортеж формы (3,0.82) например. Здесь 3 относится к тематическому индексу, а 0,82 - к соответствующей вероятности этой темы. По умолчанию, minimum_probability=0.01 и любой кортеж с вероятностью менее 0,01 опущен в lda[mm], Вы можете установить его как 1/# тем, если вы используете метод группировки с максимальной вероятностью.

Источник

lda_corpus[i][j] имеют форму [(0,t1),(0,t2)...,(0,t10),....(n,t10)], где 1-й член обозначает документ индекс и второй член обозначает вероятность темы в этом конкретном документе.

Источник
Другие вопросы по тегам