|
文章目录
0、原理1、代码实现2、过程详解2.1、打印中间件2.2、doc2bow函数2.3、主题推断2.4、词和主题的关系
3、附录
0、原理
LDA文档主题生成模型，也称三层贝叶斯概率模型，包含词、主题和文档三层结构。 利用文档中单词的共现关系来对单词按主题聚类，得到“文档-主题”和“主题-单词”2个概率分布。  gensim流程 
1、代码实现
from gensim import corpora, models
import jieba.posseg as jp, jieba
# 文本集
texts = [
'美国教练坦言，没输给中国女排，是输给了郎平' * 99,
'美国无缘四强，听听主教练的评价' * 99,
'中国女排晋级世锦赛四强，全面解析主教练郎平的执教艺术' * 99,
'为什么越来越多的人买MPV，而放弃SUV？跑一趟长途就知道了' * 99,
'跑了长途才知道，SUV和轿车之间的差距' * 99,
'家用的轿车买什么好' * 99]
# 分词过滤条件
jieba.add_word('四强', 9, 'n')
flags = ('n', 'nr', 'ns', 'nt', 'eng', 'v', 'd') # 词性
stopwords = ('没', '就', '知道', '是', '才', '听听', '坦言', '全面', '越来越', '评价', '放弃', '人') # 停词
# 分词
words_ls = []
for text in texts:
words = [w.word for w in jp.cut(text) if w.flag in flags and w.word not in stopwords]
words_ls.append(words)
# 构造词典
dictionary = corpora.Dictionary(words_ls)
# 基于词典，使【词】→【稀疏向量】，并将向量放入列表，形成【稀疏向量集】
corpus = [dictionary.doc2bow(words) for words in words_ls]
# lda模型，num_topics设置主题的个数
lda = models.ldamodel.LdaModel(corpus=corpus, id2word=dictionary, num_topics=2)
# 打印所有主题，每个主题显示5个词
for topic in lda.print_topics(num_words=5):
print(topic)
# 主题推断
print(lda.inference(corpus))
结果
主题0（
体育）：‘0.081*“
郎平” + 0.080*“
中国女排” + 0.077*“
输给” + 0.074*“
主教练”’
主题1（
汽车）：‘0.099*“
长途” + 0.092*“
SUV” + 0.084*“
跑” + 0.074*“
轿车”’
2、过程详解
2.1、打印中间件
print(words_ls)
[[‘美国’, ‘输给’, ‘中国女排’, ‘输给’, ‘郎平’],
[‘美国’, ‘无缘’, ‘四强’, ‘主教练’],
[‘中国女排’, ‘晋级’, ‘世锦赛’, ‘四强’, ‘主教练’, ‘郎平’, ‘执教’, ‘艺术’],
[‘买’, ‘MPV’, ‘SUV’, ‘跑’, ‘长途’],
[‘跑’, ‘长途’, ‘SUV’, ‘轿车’, ‘差距’],
[‘家用’, ‘轿车’, ‘买’]]
print(dictionary.token2id)
{‘中国女排’: 0, ‘美国’: 1, ‘输给’: 2, ‘郎平’: 3, ‘主教练’: 4, ‘四强’: 5, ‘无缘’: 6, ‘世锦赛’: 7, ‘执教’: 8, ‘晋级’: 9, ‘艺术’: 10, ‘MPV’: 11, ‘SUV’: 12, ‘买’: 13, ‘跑’: 14, ‘长途’: 15, ‘差距’: 16, ‘轿车’: 17, ‘家用’: 18}
print(corpus)
[[(0, 1), (1, 1), (2, 2), (3, 1)],
[(1, 1), (4, 1), (5, 1), (6, 1)],
[(0, 1), (3, 1), (4, 1), (5, 1), (7, 1), (8, 1), (9, 1), (10, 1)],
[(11, 1), (12, 1), (13, 1), (14, 1), (15, 1)],
[(12, 1), (14, 1), (15, 1), (16, 1), (17, 1)],
[(13, 1), (17, 1), (18, 1)]]
print(lda)
LdaModel(num_terms=19, num_topics=2, decay=0.5, chunksize=2000)
2.2、doc2bow函数
[‘美国’, ‘输给’, ‘中国女排’, ‘输给’, ‘郎平’]
↓↓↓【词→ID】
↓↓↓（美国→0、输给→
2、中国女排→1、郎平→3）
[0,
2, 1,
2, 3]
↓↓↓【生成
稀疏向量】
↓↓↓（
2有
两个，其它只有一个）
[(0, 1), (1, 1), (
2,
2), (3, 1)]
…
2.3、主题推断
for e, values in enumerate(lda.inference(corpus)[0]):
print(texts[e])
for ee, value in enumerate(values):
print('\t主题%d推断值%.2f' % (ee, value))
美国教练坦言，没输给中国女排，是输给了郎平 主题0推断值5.29(体育) 主题1推断值0.71 美国无缘四强，听听主教练的评价 主题0推断值4.44(体育) 主题1推断值0.56 中国女排晋级世锦赛四强，全面解析主教练郎平的执教艺术 主题0推断值8.44(体育) 主题1推断值0.56 为什么越来越多的人买MPV，而放弃SUV？跑一趟长途就知道了 主题0推断值0.54 主题1推断值5.46(汽车) 跑了长途才知道，SUV和轿车之间的差距 主题0推断值0.56 主题1推断值5.44(汽车) 家用的轿车买什么好 主题0推断值0.68 主题1推断值3.32(汽车)
text5 = '中国女排将在郎平的率领下向世界女排三大赛的三连冠发起冲击'
bow = dictionary.doc2bow([word.word for word in jp.cut(text5) if word.flag in flags and word.word not in stopwords])
ndarray = lda.inference([bow])[0]
print(text5)
for e, value in enumerate(ndarray[0]):
print('\t主题%d推断值%.2f' % (e, value))
中国女排将在郎平的率领下向世界女排三大赛的三连冠发起冲击 主题0推断值2.40(体育) 主题1推断值0.60
2.4、词和主题的关系
单个词与主题的关系
word_id = dictionary.doc2idx(['长途'])[0]
for i in lda.get_term_topics(word_id):
print('【长途】与【主题%d】的关系值：%.2f%%' % (i[0], i[1]*100))
【长途】与【主题0】的关系值：1.61% 【长途】与【主题1】的关系值：7.41%(汽车)
全部词与主题的关系（minimum_probability设置概率阈值）
for word, word_id in dictionary.token2id.items():
print(word, lda.get_term_topics(word_id, minimum_probability=1e-8))
对于每个主题，所有词对应的概率，求和=1
print(lda.show_topic(0, 9999))
print('概率总和', sum(i[0] for i in lda.show_topic(0, 9999)))
3、附录
阅读扩展 jieba中文分词 文本相似度分析 注释
EnCnLDALatent Dirichlet Allocationlatent潜在的allocationn. 分配；定位（allocation）inferencen. 推理term术语；学期；doc2bowdocument to bag of words（词袋）doc2idxdocument to index
|