|
本文为大众介绍了主题建模的概念、LDA算法的原理，示例了怎样运用Python创立一个基本的LDA主题模型，并运用pyLDAvis对主题进行可视化。
照片源自：Kamil Polak
引言
主题建模包含从文档术语中提取特征，并运用数学结构和框架（如矩阵分解和奇异值分解）来生成彼此可区分的术语聚类（cluster）或组，这些单词聚类继而形成主题或概念。
主题建模是一种对文档进行无监督归类的办法，类似于对数值数据进行聚类。
这些概念能够用来解释语料库的主题，亦能够在各样文档中一同频繁显现的单词之间创立语义联系。
主题建模能够应用于以下方面：
发掘数据集中隐匿的主题；
将文档归类到已然发掘的主题中；
运用归类来组织/总结/搜索文档。
有各样框架和算法能够用以创立主题模型：
潜在语义索引（Latent semantic indexing）
潜在狄利克雷分配（Latent Dirichlet Allocation，LDA）
非负矩阵分解（Non-negative matrix factorization，NMF）
在本文中，我们将重点讨论怎样运用Python进行LDA主题建模。详细来讲，咱们将讨论：
什么是潜在狄利克雷分配（LDA, Latent Dirichlet allocation）；
LDA算法怎样工作；
怎样运用Python创立LDA主题模型。
什么是潜在狄利克雷分配（LDA, Latent Dirichlet allocation）？
潜在狄利克雷分配（LDA, Latent Dirichlet allocation）是一种生成概率模型（generative probabilistic model），该模型假设每一个文档拥有类似于概率潜在语义索引模型的主题的组合。
简而言之，LDA背面的思想是，每一个文档能够经过主题的分布来描述，每一个主题能够经过单词的分布来描述。
LDA算法怎样工作？
LDA由两部分构成：
咱们已知的属于文件的单词；
需要计算的属于一个主题的单词或属于一个主题的单词的概率。
重视：LDA不关心文档中单词的次序。一般，LDA运用词袋特征（bag-of-word feature）暗示来表率文档。
以下过程非常简单地解释了LDA算法的工作原理：
1. 针对每一个文档，随机将每一个单词初始化为K个主题中的一个（事先选取K个主题）；
2. 针对每一个文档D，浏览每一个单词w并计算：
P(T | D)：文档D中，指定给主题T的单词的比例；
P(W | T)：所有包括单词W的文档中，指定给主题T的比例。
3. 思虑所有其他单词及其主题分配，以概率P(T | D)´ P(W | T) 将单词W与主题T重新分配。
LDA主题模型的图示如下。
照片源自：Wiki
下图直观地展示了每一个参数怎样连接回文本文档和术语。假设咱们有M个文档，文档中有N个单词，咱们要生成的主题总数为K。
图中的黑盒表率核心算法，它利用前面说到的参数从文档中提取K个主题。
照片源自：Christine Doig
怎样运用Python创立LDA主题模型
咱们将运用Gensim包中的潜在狄利克雷分配（LDA）。
首要，咱们需要导入包。核心包是re、gensim、spacy和pyLDAvis。另外，咱们需要运用matplotlib、numpy和panases以进行数据处理和可视化。 1. import re
2. import numpy as np
3. import pandas as pd
4. from pprint import pprint
5.
6. # Gensim
7. import gensim
8. import gensim.corpora as corpora
9. from gensim.utils import simple_preprocess
10. from gensim.models import CoherenceModel
11.
12. # spacy for lemmatization
13. import spacy
14.
15. # Plotting tools
16. import pyLDAvis
17. import pyLDAvis.gensim # dont skip this
18. import matplotlib.pyplot as plt
19. %matplotlib inline
20.
21. # Enable logging for gensim - optional
22. import logging
23. logging.basicConfig(format=%(asctime)s : %(levelname)s : %(message)s, level=logging.ERROR)
24.
25. import warnings
26. warnings.filterwarnings("ignore",category=DeprecationWarning)
像am/is/are/of/a/the/but/…这般的词不包括任何关于“主题”的信息。因此呢，做为预处理过程，咱们能够将它们从文档中移除。
要做到这一点，咱们需要从NLT导入停用词。还能够经过添加有些额外的单词来扩展原始的停用词列表。 1.# NLTK Stop words
2. from nltk.corpus import stopwords
3. stop_words = stopwords.words(english)
4. stop_words.extend([from, subject, re, edu, use])在本教程中，咱们将运用20个资讯组数据集，其中包括来自20个区别主题的大约11k个资讯组帖子。这能够做为newsgroups.json得到。 1. # Import Dataset
2. df = pd.read_json(https://raw.githubusercontent.com/selva86/datasets/master/newsgroups.json)
3. print(df.target_names.unique())
4. df.head()
删除电子邮件链接和换行符
在咱们起始主题建模之前，需要清理数据集。首要，删除电子邮件链接、多余的空格和换行符。 1. # Convert to list2. data = df.content.values.tolist()3.
4. # Remove Emails
5. data = [re.sub(\S*@\S*\s?, , sent) for sent in data]
6.
7. # Remove new line characters
8. data = [re.sub(\s+, , sent) for sent in data]
9.
10. # Remove distracting single quotes
11. data = [re.sub("\", "", sent) for sent in data]
12.
13. pprint(data[:1])
标记（tokenize）单词和清理文本
让咱们把每一个句子标记成一个单词列表，去掉标点符号和不必要的字符。 1. def sent_to_words(sentences):
2. for sentence in sentences:
3. yield(gensim.utils.simple_preprocess(str(sentence), deacc=True)) # deacc=True removes punctuations
4.
5. data_words = list(sent_to_words(data))
6.
7. print(data_words[:1])
创建二元（Bigram）模型和三元（Trigram）模型 1. # Build the bigram and trigram models
2. bigram = gensim.models.Phrases(data_words, min_count=5, threshold=100) # higher threshold fewer phrases.
3. trigram = gensim.models.Phrases(bigram[data_words], threshold=100)
4.
5. # Faster way to get a sentence clubbed as a trigram/bigram
6. bigram_mod = gensim.models.phrases.Phraser(bigram)
7. trigram_mod = gensim.models.phrases.Phraser(trigram)
8.
9. # See trigram example
10. print(trigram_mod[bigram_mod[data_words[0]]])
删除停用词（stopword），创立二元模型和词形还原（Lemmatize）
在这一步中，咱们分别定义了函数以删除停止词、创立二元模型和词形还原，并且依次调用了这些函数。 1.# Define functions for stopwords, bigrams, trigrams and lemmatization
2. def remove_stopwords(texts):
3. return [[word for word insimple_preprocess(str(doc))if word not in stop_words] for doc in texts]
4.
5. def make_bigrams(texts):
6. return [bigram_mod[doc] for doc in texts]
7.
8. def make_trigrams(texts):
9. return [trigram_mod[bigram_mod[doc]] for doc in texts]
10.
11. def lemmatization(texts, allowed_postags=[NOUN, ADJ, VERB, ADV]):
12. """https://spacy.io/api/annotation"""
13. texts_out = []
14. for sent in texts:
15. doc = nlp(" ".join(sent))
16. texts_out.append([token.lemma_ for token in doc if token.pos_ inallowed_postags])17. return texts_out
1. # Remove Stop Words
2. data_words_nostops = remove_stopwords(data_words)
3.
4. # Form Bigrams
5.data_words_bigrams = make_bigrams(data_words_nostops)6.
7. # Initialize spacy en model, keeping only tagger component (for efficiency)
8. # python3 -m spacy download en
9. nlp = spacy.load(en, disable=[parser, ner])
10.
11. # Do lemmatization keeping only noun, adj, vb, adv
12. data_lemmatized = lemmatization(data_words_bigrams, allowed_postags=[NOUN, ADJ, VERB, ADV])
13.
14. print(data_lemmatized[:1])
创建主题建模所需的词典和语料库（corpus）
Gensim为文档中的每一个单词创建一个独一的id，然则这里之前，咱们需要创建一个字典和语料库做为模型的输入。 1. # Create Dictionary
2. id2word = corpora.Dictionary(data_lemmatized)
3.
4. # Create Corpus
5. texts = data_lemmatized
6.
7. # Term Document Frequency
8. corpus = [id2word.doc2bow(text) for text in texts]
9.
10. # View
11. print(corpus[:1])
创立主题模型
此刻咱们准备进入核心过程，运用LDA进行主题建模。让咱们起始创立模型。咱们将创立20个区别主题的LDA模型，其中每一个主题都是关键字的组合，每一个关键字在主题中都拥有必定的权重（weightage）。
有些参数的解释如下：
num_topics —需要预先定义的主题数量；
chunksize — 每一个训练块（training chunk）中要运用的文档数量；
alpha — 影响主题稀疏性的超参数；
passess — 训练评定的总数。 1. # Build LDA model
2. lda_model = gensim.models.ldamodel.LdaModel(corpus=corpus,
3. id2word=id2word,
4. num_topics=20,
5. random_state=100,
6. update_every=1,
7. chunksize=100,
8. passes=10,
9. alpha=auto,
10. per_word_topics=True)
查看LDA模型中的主题
咱们能够可视化每一个主题的关键词和每一个关键词的权重（重要性）。 1.# Print the Keyword in the 10 topics
2. pprint(lda_model.print_topics())
3. doc_lda = lda_model[corpus]
计算模型困惑度（Perplexity）和一致性分数（Coherence Score）
模型困惑度是对概率分布或概率模型预测样本好坏的一种度量。主题一致性经过测绘主题中得分高的单词之间的语义类似度来衡量单个主题的得分。
简而言之，它们供给了一种方便的办法来判断一个给定的主题模型有多好。 1. # Compute Perplexity
2. print(\nPerplexity: , lda_model.log_perplexity(corpus)) # a measure of how good the model is. lower the better.
3.
4. # Compute Coherence Score
5. coherence_model_lda = CoherenceModel(model=lda_model, texts=data_lemmatized, dictionary=id2word, coherence=c_v)
6. coherence_lda = coherence_model_lda.get_coherence()
7.print(\nCoherence Score: , coherence_lda)
可视化主题-关键词
此刻，咱们能够检测生成的主题和关联的关键词。最好的办法是运用pyLDAvis可视化咱们的模型。
pyLDAvis旨在帮忙用户在一个适合文本数据语料库的主题模型中解释主题。它从拟合好的的线性判别分析主题模型（LDA）中提取信息，以实现基于网络的交互式可视化。
1. # Visualize the topics2. pyLDAvis.enable_notebook()3. vis = pyLDAvis.gensim.prepare(lda_model, corpus, id2word)4. vis
至此，咱们成功创立了一个可观的主题模型！
简要地解释一下结果：左手边的每一个气泡表率一个专题。气泡越大，该主题就越盛行。按照经验，一个好的主题模型会有大的、不重叠的气泡。
咱们亦能够点击右边的侧边工具条，以调节阿尔法（alpha）参数。
结语
主题建模是自然语言处理的重点应用之一。本文的目的是解释什么是主题建模，以及怎样在实质运用中实现潜在狄利克雷分配（LDA）模型。
为此，咱们深入研究了LDA的原理，运用Gensim包中的LDA构建了一个基本的主题模型，并运用pyLDAvis对主题进行了可视化。
期盼您爱好该文并有所收获。
References:
Jelodar, H., Wang, Y., Yuan, C. et al. Latent Dirichlet allocation (LDA) and topic modeling: models, applications, a survey. Multimed Tools Appl 78, 15169–15211 (2019). https://doi.org/10.1007/s11042-018-6894-4
https://jovian.ai/outlink?url=https%3A%2F%2Fdoi.org%2F10.1007%2Fs11042-018-6894-4
D. Sarkar, Text Analytics with Python. A Practical Real-World Approach to Gaining Actionable Insights from Your Data
https://www.machinelearningplus.com/nlp/topic-modeling-gensim-python/
https://jovian.ai/outlink?url=https%3A%2F%2Fwww.machinelearningplus.com%2Fnlp%2Ftopic-modeling-gensim-python%2F
https://towardsdatascience.com/topic-modelling-in-python-with-nltk-and-gensim-4ef03213cd21
https://jovian.ai/outlink?url=https%3A%2F%2Ftowardsdatascience.com%2Ftopic-modelling-in-python-with-nltk-and-gensim-4ef03213cd21
https://towardsdatascience.com/end-to-end-topic-modeling-in-python-latent-dirichlet-allocation-lda-35ce4ed6b3e0
https://jovian.ai/outlink?url=https%3A%2F%2Ftowardsdatascience.com%2Fend-to-end-topic-modeling-in-python-latent-dirichlet-allocation-lda-35ce4ed6b3e0
https://towardsdatascience.com/latent-dirichlet-allocation-lda-9d1cd064ffa2
https://towardsdatascience.com/light-on-math-machine-learning-intuitive-guide-to-latent-dirichlet-allocation-437c81220158
http://blog.echen.me/2011/08/22/introduction-to-latent-dirichlet-allocation/
编辑：王菁
校对：林也霖
| 
发表于