机器学习 - LDA 主题模型简单实践

不讨论数学推导，只讨论调用一些封装好的类库，简单应用。

什么是主题 

因为LDA是一种主题模型，那么首先必须明确知道LDA是怎么看待主题的。对于一篇新闻报道，我们看到里面讲了昨天NBA篮球比赛，那么用大腿想都知道它的主题是关于体育的。为什么我们大腿会那么聪明呢？这时大腿会回答因为里面出现了“科比”、“湖人”等等关键词。那么好了，我们可以定义主题是一种关键词集合，如果另外一篇文章出现这些关键词，我们可以直接判断他属于某种主题。但是，亲爱的读者请你想想，这样定义主题有什么弊端呢？按照这种定义，我们会很容易给出这样的条件：一旦文章出现了一个球星的名字，那么那篇文章的主题就是体育。可能你马上会骂我在瞎说，然后反驳说不一定，文章确实有球星的名字，但是里面全部在讲球星的性丑闻，和篮球没半毛钱关系，此时主题是娱乐还差不多。所以一个词不能硬性地扣一个主题的帽子，如果说一篇文章出现了某个球星的名字，我们只能说有很大概率他属于体育的主题，但也有小概率属于娱乐的主题。于是就会有这种现象：同一个词，在不同的主题背景下，它出现的概率是不同的。并且我们都可以基本确定，一个词不能代表一种主题，那么到底什么才是主题呢？耐不住性子的同学会说，既然一个词代表不了一种主题，那我就把所有词都用来代表一种主题，然后你自己去慢慢意会。没错，这样确实是一种完全的方式，主题本来就蕴含在所有词之中，这样确实是最保险的做法，但是你会发现这样等于什么都没做。老奸巨猾的LDA也是这么想的，但他狡猾之处在于它用非常圆滑手段地将主题用所有词汇表达出来。怎么个圆滑法呢？手段便是概率。LDA认为天下所有文章都是用基本的词汇组合而成，此时假设有词库V={v1,v2,....,vn}V={v1,v2,....,vn}，那么如何表达主题kk呢？LDA说通过词汇的概率分布来反映主题！多么狡猾的家伙。我们举个例子来说明LDA的观点。假设有词库

{科比，篮球，足球，奥巴马，希拉里，克林顿}{科比，篮球，足球，奥巴马，希拉里，克林顿}

假设有两个主题

{体育，政治}{体育，政治}

LDA说体育这个主题就是：

{科比:0.3，篮球:0.3，足球:0.3，奥巴马:0.03，希拉里:0.03，克林顿:0.04}{科比:0.3，篮球:0.3，足球:0.3，奥巴马:0.03，希拉里:0.03，克林顿:0.04}

(数字代表某个词的出现概率)，而政治这个主题就是：

{科比:0.03，篮球:0.03，足球:0.04，奥巴马:0.3，希拉里:0.3，克林顿:0.3}{科比:0.03，篮球:0.03，足球:0.04，奥巴马:0.3，希拉里:0.3，克林顿:0.3}

LDA就是这样说明什么是主题的，竟说得我无言以对，细思之下也是非常合理

文章在讲什么

给你一篇文章读，然后请你简要概括文章在讲什么，你可能会这样回答：80%在讲政治的话题，剩下15%在讲娱乐，其余都是废话。这里大概可以提炼出三种主题：政治，娱乐，废话。也就是说，对于某一篇文章，很有可能里面不止在讲一种主题，而是几种主题混在一起的。读者可能会问，LDA是一种可以从文档中提炼主题模型，那他在建模的时候有没有考虑这种情形啊，他会不会忘记考虑了。那您就大可放心了，深谋远虑的LDA早就注意到这些了。LDA认为，文章和主题之间并不一定是一一对应的，也就是说，文章可以有多个主题，一个主题可以在多篇文章之中。这种说法，相信读者只能点头称是。假设现在有KK个主题，有MM篇文章，那么每篇文章里面不同主题的组成比例应该是怎样的呢？由于上一小节我们知道不能硬性的将某个词套上某个主题，那么这里我们当然不能讲某个主题套在某个文章中，也就是有这样的现象：同一个主题，在不同的文章中，他出现的比例(概率)是不同的，看到这里，读者可能已经发现，文档和主题之间的关系和主题和词汇的关系是多么惊人的类似！LDA先人一步地将这一发现说出来，它说，上一节我们巧妙地用词汇的分布来表达主题，那么这一次也不例外，我们巧妙地用主题的分布来表达文章！同样，我们举个例子来说明一下，假设现在有两篇文章：

《体育快讯》，《娱乐周报》《体育快讯》，《娱乐周报》

有三个主题

体育，娱乐，废话体育，娱乐，废话

那么

《体育快讯》是这样的:[废话,体育,体育,体育,体育,....,娱乐,娱乐]《体育快讯》是这样的:[废话,体育,体育,体育,体育,....,娱乐,娱乐]

而

《娱乐周报》是这样的:[废话,废话,娱乐,娱乐,娱乐,....,娱乐,体育]《娱乐周报》是这样的:[废话,废话,娱乐,娱乐,娱乐,....,娱乐,体育]

也就是说，一篇文章在讲什么，通过不同的主题比例就可以概括得出。

（以上两段注释源于博客）

我这里首先是要建立一个小小语料库，一共是六个文件，里面是我找的一些 各个主题类型的文章（文章量很小，只是简单应用） ，以及停用词表，主要是去除一些影响分析的停用词，如 ：的 、  吗   、等等无意义的影响分析的文字符号和词语

# /usr/bin/env python
# -*- coding: utf-8 -*-
# @Time    : 18-4-11 下午5:25
# @Author  : 杨星星
# @Email   : [email protected]
# @File    : Lda_plt.py
# @Software: PyCharm


import numpy as np
import pandas as pd
import re
import os
import jieba
import matplotlib.pyplot as plt
import pprint
from gensim import corpora, models, similarities


# 取出停用词
def get_stop_words(file_name):
    with open(file_name,'r') as file:
        return set([line.strip() for line in file])


# 取出语料库
def readfile(path):
    fp = open(path, "r")
    content = fp.read()
    fp.close()
    return content
# 语料路径
corpus_path = r"/home/python/Spiderjs/Data_jieba/file_text"      # 未分词分类语料
stop_file_path=r"/home/python/Spiderjs/Data_jieba/china_stop_word.txt"   #  停用词的文件
#获取每个目录下的所有文件
catelist = os.listdir(corpus_path)
# print(catelist)
stop_words=get_stop_words(stop_file_path)


train_set=[]
for mydir in catelist:
    class_path = corpus_path +'/'+ mydir  # 拼出未分词的目录
    # print(class_path)
    content = readfile(class_path).strip()
    content = content.replace("\n", '').replace("（", '').replace("）", '') # 删除掉换行和其他干扰因素
    content_seg = list(jieba.cut(content, cut_all=True))                    # jieba 分词 
    train_set.append([item for item in content_seg if str(item) not in stop_words])  # 剔除停用词
print('分词结束')
num_topics = 5        #  设置的主题数目
#  构建模型 用词袋的方法，把每个单词用一个数字index指代，并把我们的原文本变成一条长长的数组
dic = corpora.Dictionary(train_set)
# 根据字典，将每行文档都转换为索引的形式
corpus = [dic.doc2bow(text) for text in train_set]
# 现在对每篇文档中的每个词都计算tf-idf值
tfidf = models.TfidfModel(corpus)
corpus_tfidf = tfidf[corpus]
lda = models.LdaModel(corpus_tfidf, id2word = dic, num_topics = num_topics,alpha=1)  #lda模型
# 打印一下每篇文档被分在各个主题的概率：
print('----------打印每篇文档被分在各个主题的概率------------')
corpus_lda = lda[corpus_tfidf]
for corpus_lda_ in corpus_lda:
    print(corpus_lda_)
# 打印出来所有的主题
print('--------打印出来所有的主题----------')
datas = lda.print_topics(num_topics=5, num_words=10)
for data in datas:
    print(data)
# 打印每个主题中每个词出现的频率
for topic_id in range(num_topics):
    print ('---主题:~', topic_id)
    # 打印python 数据结构
    pprint.pprint(lda.show_topic(topic_id))
#  画图
# thetas=[lda[c] for c in corpus_tfidf]
# plt.hist([len(t) for t in thetas], np.arange(10))
# plt.ylabel('Nr of documents')
# plt.xlabel('Nr of topics')
# plt.show()

# 给定一个新的文档
print('------------给定一个新的文档资料-----------')
new_doc_list = []
new_doc_path = "/home/python/Spiderjs/Data_jieba/news_doc/new_doc_001"
with open(new_doc_path,'r') as f:
    content = f.read()
    content = content.replace("\n", '').replace("（", '').replace("）", '').replace('', '')  # 删除掉换行和其他干扰因素
    test_doc = list(jieba.cut(content, cut_all=True)) #新文档进行分
    new_doc_list.append([item for item in test_doc if str(item) not in stop_words])  # 剔除停用词
# print(test_doc)  # 根据字典，将每行文档都转换为索引的形式
doc_bow = dic.doc2bow(new_doc_list[0])      # 文档转换成bow   (词袋模型)
doc = lda.get_document_topics(doc_bow)      # 分类成某个主题的概率
print(doc)


# 新文档的词的分布情况    向量
# doc_lda = lda[doc_bow]
# for doc_ in doc_bow:
#     print(doc_)

我这里预料少，只是例子简单应用，结果也是辣眼睛，如果用大量的语料去训练 效果应该不错