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 57
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
私信 提问
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
【火炉炼AI】机器学习042-NLP文本的主题建模

【火炉炼AI】机器学习042-NLP文本的主题建模 (本文所使用的Python库和版本号: Python 3.6, Numpy 1.14, scikit-learn 0.19, matplotlib 2.2, NLTK 3.3) 文本的主题建模时用NLP来识别文本文档...

炼丹老顽童
10/18
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
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
【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

没有更多内容

加载失败,请刷新页面

加载更多

自定义 Maven 的 repositories

有时,应用中需要一些比较新的依赖,而这些依赖并没有正式发布,还是处于milestone或者是snapshot阶段,并不能从中央仓库或者镜像站上下载到。此时,就需要 自定义Maven的<repositories>。 ...

waylau
48分钟前
1
0
徒手写一个es6代码库

mkdir democd demonpm initnpm install -g babelnpm install -g babel-clinpm install --save-dev babel-preset-es2015-node5 在项目目录创建两个文件夹 functional-playground ......

lilugirl
48分钟前
2
0
linux定位应用问题的一些常用命令,特别针对内存和线程分析的dump命令

1.jps找出进程号,找到对应的进程号后面才好继续操作 2.linux查看进程详细信息 ps -ef | grep 进程ID 3. dump内存信息 Jmap -dump:format=b,file=YYMMddhhmm.dump pid 4.top查看cpu占用信息 ...

noob_chr
48分钟前
1
0
Android TV开发-按键焦点

写在前面 按键焦点过程了解 2.1 dispatchKeyEvent 过程了解 2.2 焦点查找请求过程了解 1.2.1 第一次获取焦点 1.2.3 按键焦点 焦点控制 焦点记忆 应用场景 参考资料 [TOC] 1. 写在前面 工...

冰雪情缘l
48分钟前
1
0
java框架学习日志-3

这章主要是补充一些ioc创建对象的方式,ioc容器在写好<bean></bean>的时候就已经创建对象了。在之前的例子中,一直都是无参的构造方法。下面给出有参的构造方法的对象的创建,没有什么难点重...

白话
51分钟前
2
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