文档章节

LDA主题分析代码实现

WYF_DATA
 WYF_DATA
发布于 2017/07/11 17:00
字数 783
阅读 38
收藏 0

主题文本分析:

 

首先读取txt文本,并删除stop_list中存放的停止词汇

f = open('..\\LDA_test.txt')

texts = [[word for word in line.strip().lower().split() if word not in stop_list] for line in f]

print('Text = ')

pprint(texts)  #输出格式处理好的文本内容

 

然后计算生成文本内容的词典

dictionary = corpora.Dictionary(texts)

print('corpora.Dictionary:')

print(dictionary)

 

然后将每个文档或者文档中的每个句子(一行)向量化

corpus = [dictionary.doc2bow(text) for text in texts]

print('corpus')

print(corpus)

 

然后计算词频

corpus_tfidf = models.TfidfModel(corpus)[corpus]

print('corpus_tfidf:')

print(corpus_tfidf)

 

然后可以条用LSI模型做文本分析

lsi = models.LsiModel(corpus_tfidf, num_topics=2, id2word=dictionary)

topic_result = [a for a in lsi[corpus_tfidf]]

pprint(topic_result) #输出每个文档或者每行句子的主题

 

或者输出每个主题的词汇构成

print('LSI Topics:')

pprint(lsi.print_topics(num_topics=2, num_words=5))

计算文档两两之间的相似度

similarity = similarities.MatrixSimilarity(lsi[corpus_tfidf])   # similarities.Similarity()

print('Similarity:')

pprint(list(similarity))

 

 

 

也可以用LDA模型来做主题分析

num_topics = 2

lda = models.LdaModel(corpus_tfidf, num_topics=num_topics, id2word=dictionary,

                          alpha='auto', eta='auto', minimum_probability=0.001, passes=10)

输出每个文档的主题分布:
doc_topic = [doc_t for doc_t in lda[corpus_tfidf]]

print('Document-Topic:\n')

pprint(doc_topic)

或者:

for doc_topic in lda.get_document_topics(corpus_tfidf):

print(doc_topic)

 

然后输出每个主题的词分布:

for topic_id in range(num_topics):

   print('Topic', topic_id)

   # pprint(lda.get_topic_terms(topicid=topic_id))

   pprint(lda.show_topic(topic_id))

 

计算文档之间的相似度

similarity = similarities.MatrixSimilarity(lda[corpus_tfidf])

print('Similarity:')

pprint(list(similarity))

 

 

基于lda第三方库实现的主题分析

需要先安装这个第三方库lda( pip install lda)

首先要把每个文档的格式转换为向量来表示

所以多个文档就形成了一个矩阵,维度为k*n,k为每个文档向量的长度,n为文档个数

例如:矩阵中的每个元素可以用tf—idf词频来表示

 

利用LDA模型进行建模

topic_num = 20

model = lda.LDA(n_topics=topic_num, n_iter=800, random_state=1)

model.fit(X)

 

输出各个主题的词分布

topic_word = model.topic_word_

print(("type(topic_word): {}".format(type(topic_word))))

print(("shape: {}".format(topic_word.shape)))

 

print((topic_word[:, :5]))  #由于词分布太长了,所以只用输出部分

 

可以输出每个主题topK个词汇:
n = 7

for i, topic_dist in enumerate(topic_word):

    topic_words = np.array(vocab)[np.argsort(topic_dist)][:-(n + 1):-1]

print(('*Topic {}\n- {}'.format(i, ' '.join(topic_words))))

 

其中vocab为所有文档的词汇元组,就是对应词向量的词汇元组

长度等于每个文档词向量的长度

 

最终输出我们想要知道的每个文档对应的最有可能的主题:

doc_topic = model.doc_topic_

print(("type(doc_topic): {}".format(type(doc_topic))))

print(("shape: {}".format(doc_topic.shape)))

for i in range(10):

    topic_most_pr = doc_topic[i].argmax()

print(("文档: {} 主题: {} value: {}".format(i, topic_most_pr, doc_topic[i][topic_most_pr])))

 

 

最后是可视化:
mpl.rcParams['font.sans-serif'] = ['SimHei']

    mpl.rcParams['axes.unicode_minus'] = False

 

    # Topic - word

    plt.figure(figsize=(7, 6))

    # f, ax = plt.subplots(5, 1, sharex=True)

    for i, k in enumerate([0, 5, 9, 14, 19]):

        ax = plt.subplot(5, 1, i+1)

        ax.plot(topic_word[k, :], 'r-')

        ax.set_xlim(-50, 4350)   # [0,4258]

        ax.set_ylim(0, 0.08)

        ax.set_ylabel("概率")

        ax.set_title("主题 {}".format(k))

    plt.xlabel("词", fontsize=13)

    plt.tight_layout()

    plt.suptitle('主题的词分布', fontsize=15)

    plt.subplots_adjust(top=0.9)

    plt.show()

 

    # Document - Topic

    plt.figure(figsize=(7, 6))

    # f, ax= plt.subplots(5, 1, figsize=(8, 6), sharex=True)

    for i, k in enumerate([1, 3, 4, 8, 9]):

        ax = plt.subplot(5, 1, i+1)

        ax.stem(doc_topic[k, :], linefmt='g-', markerfmt='ro')

        ax.set_xlim(-1, topic_num+1)

        ax.set_ylim(0, 1)

        ax.set_ylabel("概率")

        ax.set_title("文档 {}".format(k))

    plt.xlabel("主题", fontsize=13)

    plt.suptitle('文档的主题分布', fontsize=15)

    plt.tight_layout()

    plt.subplots_adjust(top=0.9)

    plt.show()

© 著作权归作者所有

共有 人打赏支持
WYF_DATA
粉丝 1
博文 4
码字总数 5290
作品 0
主题模型LDA

主题模型,说实话之前学的时候还真没见过,所以看到这一章的时候感觉很是疑惑,不知道主题模型是要干什么。看完后感觉这个主题模型应该是nlp中的一种特殊的聚类方式,可以通过对文档提取主题...

NORTHhan
2016/04/11
0
0
教程 | 一文读懂如何用LSA、PSLA、LDA和lda2vec进行主题建模

  选自 Medium   作者:Joyce Xu   机器之心编译   参与:乾树、王淑婷      本文是一篇关于主题建模及其相关技术的综述。文中介绍了四种最流行的技术,用于探讨主题建模,它们分...

机器之心
06/08
0
0
LDA(Dirichlet Distribution)主题模型基本知识与理解(一)

最近在研究无监督模型与降维技术,说起无监督模型,我们首先想到的是聚类技术(Clustering),而在实际生产中,很多方法可以被用来做降维(正则化Lasso/Ridge回归、PCA主成分分析、小波分析、...

little_fire
05/28
0
0
【文智背后的奥秘】系列篇——文本聚类系统

版权声明:本文由文智原创文章,转载请注明出处: 文章原文链接:https://www.qcloud.com/community/article/131 来源:腾云阁 https://www.qcloud.com/community 一.文本聚类概述 文本聚类是...

偶素浅小浅
2016/11/04
23
0
留给人类的时间不多了?现在不学机器学习更待何时!

立即参团 原价 ¥899.00 目前已达最低价 ¥399.00 >>点击文末阅读原文参团<< 机器学习(升级版Ⅶ) 课程目标:本课程特点是从数学层面推导最经典的机器学习算法,以及每种算法的示例和代码实...

bjweimengshu
2017/11/21
0
0

没有更多内容

加载失败,请刷新页面

加载更多

20180920 rzsz传输文件、用户和用户组相关配置文件与管理

利用rz、sz实现Linux与Windows互传文件 [root@centos01 ~]# yum install -y lrzsz # 安装工具sz test.txt # 弹出对话框,传递到选择的路径下rz # 回车后,会从对话框中选择对应的文件传递...

野雪球
今天
1
0
OSChina 周四乱弹 —— 毒蛇当辣条

Osc乱弹歌单(2018)请戳(这里) 【今日歌曲】 @ 达尔文:分享花澤香菜/前野智昭/小野大輔/井上喜久子的单曲《ミッション! 健?康?第?イチ》 《ミッション! 健?康?第?イチ》- 花澤香菜/前野智...

小小编辑
今天
7
3
java -jar运行内存设置

java -Xms64m #JVM启动时的初始堆大小 -Xmx128m #最大堆大小 -Xmn64m #年轻代的大小,其余的空间是老年代 -XX:MaxMetaspaceSize=128m # -XX:CompressedClassSpaceSize=6...

李玉长
今天
3
0
Spring | 手把手教你SSM最优雅的整合方式

HEY 本节主要内容为:基于Spring从0到1搭建一个web工程,适合初学者,Java初级开发者。欢迎与我交流。 MODULE 新建一个Maven工程。 不论你是什么工具,选这个就可以了,然后next,直至finis...

冯文议
今天
2
0
RxJS的另外四种实现方式(四)——性能最高的库(续)

接上一篇RxJS的另外四种实现方式(三)——性能最高的库 上一篇文章我展示了这个最高性能库的实现方法。下面我介绍一下这个性能提升的秘密。 首先,为了弄清楚Most库究竟为何如此快,我必须借...

一个灰
今天
3
0

没有更多内容

加载失败,请刷新页面

加载更多

返回顶部
顶部