python下进行lda主题挖掘(二)——利用gensim训练LDA模型

到2018年3月7日为止，本系列三篇文章已写完，可能后续有新的内容的话会继续更新。

---

python下进行lda主题挖掘(一)——预处理(英文)
python下进行lda主题挖掘(二)——利用gensim训练LDA模型
python下进行lda主题挖掘(三)——计算困惑度perplexity

---

本篇是我的LDA主题挖掘系列的第二篇，介绍如何利用gensim包提供的方法来训练自己处理好的语料。
gensim提供了多种方法：
###速度较慢的：
具体参数说明及使用方法请参照官网：models.ldamodel – Latent Dirichlet Allocation

from gensim.models.ldamodel import LdaModel
# 利用处理好的语料训练模型
lda = LdaModel(corpus, num_topics=10)
# 推断新文本的主题分布
doc_lda = lda[doc_bow]
# 用新语料更新模型
lda.update(other_corpus)

###速度较快，使用多核心的：
具体参数说明及使用方法请参照官网：models.ldamulticore – parallelized Latent Dirichlet Allocation

>>> from gensim import corpora, models 
>>> lda = LdaMulticore(corpus, id2word=id2word, num_topics=100)  # train model
>>> print(lda[doc_bow]) # get topic probability distribution for a document
>>> lda.update(corpus2) # update the LDA model with additional documents
>>> print(lda[doc_bow])

使用多进程对性能的提升：

Wall-clock performance on the English Wikipedia (2G corpus positions, 3.5M documents, 100K features, 0.54G non-zero entries in the final bag-of-words matrix), requesting 100 topics:
(Measured on this i7 server with 4 physical cores, so that optimal workers=3, one less than the number of cores.)
| algorithm| training time|
| ------------- |:-------------?
| LdaMulticore(workers=1) | 2h30m |
| LdaMulticore(workers=2) | 1h24m |
| LdaMulticore(workers=3) | 1h6m |
| oldLdaModel | 3h44m |
| simply iterating over input corpus = I/O overhead | 20m |
workers的值需要比电脑的核心数小1
本文代码使用多核心的方法。
有问题欢迎留言交流。
本文在将语料转化为corpus后，进行了如下操作：

tfidf = models.TfidfModel(corpus)
corpusTfidf = tfidf[corpus]

这一步是用来调整语料中不同词的词频，将那些在所有文档中都出现的高频词的词频降低，具体原理可参见阮一峰老师的系列博客：TF-IDF与余弦相似性的应用（一）：自动提取关键词，我经过这一步处理后，貌似效果提升不明显，而且这一步时间消耗较大，不建议采用。可直接将corpus作为训练数据传入lda模型中。

#-*-coding:utf-8-*-
import sys
reload(sys)
sys.setdefaultencoding('utf-8')
import os
import codecs
from gensim.corpora import Dictionary
from gensim import corpora, models
from datetime import datetime
import platform
import logging
logging.basicConfig(format='%(asctime)s : %(levelname)s : %(message)s : ', level=logging.INFO)

platform_info = platform.platform().lower()
if 'windows' in platform_info:
    code = 'gbk'
elif 'linux' in platform_info:
    code = 'utf-8'
path = sys.path[0]

class GLDA(object):
    """docstring for GdeltGLDA"""
    
    def __init__(self, stopfile=None):
        super(GLDA, self).__init__()
        if stopfile:
            with codecs.open(stopfile, 'r', code) as f:
                self.stopword_list = f.read().split(' ')
            print ('the num of stopwords is : %s'%len(self.stopword_list))
        else:
            self.stopword_list = None

    def lda_train(self, num_topics, datafolder, middatafolder, dictionary_path=None, corpus_path=None, iterations=5000, passes=1, workers=3):       
        time1 = datetime.now()
        num_docs = 0
        doclist = []
        if not corpus_path or not dictionary_path: # 若无字典或无corpus，则读取预处理后的docword。一般第一次运行都需要读取，在后期调参时，可直接传入字典与corpus路径
            for filename in os.listdir(datafolder): # 读取datafolder下的语料
                with codecs.open(datafolder+filename, 'r', code) as source_file:
                    for line in source_file:
                        num_docs += 1
                        if num_docs%100000==0:
                            print ('%s, %s'%(filename, num_docs))
                        #doc = [word for word in doc if word not in self.stopword_list]
                        doclist.append(line.split(' '))
                print ('%s, %s'%(filename, num_docs))
        if dictionary_path:
            dictionary = corpora.Dictionary.load(dictionary_path) # 加载字典
        else:            
            #构建词汇统计向量并保存
            dictionary = corpora.Dictionary(doclist)
            dictionary.save(middatafolder + 'dictionary.dictionary')
        if corpus_path:
            corpus = corpora.MmCorpus(corpus_path) # 加载corpus
        else:
            corpus = [dictionary.doc2bow(doc) for doc in doclist]
            corpora.MmCorpus.serialize(middatafolder + 'corpus.mm', corpus) # 保存corpus
        tfidf = models.TfidfModel(corpus)
        corpusTfidf = tfidf[corpus]
        time2 = datetime.now()
        lda_multi = models.ldamulticore.LdaMulticore(corpus=corpusTfidf, id2word=dictionary, num_topics=num_topics, \
            iterations=iterations, workers=workers, batch=True, passes=passes) # 开始训练
        lda_multi.print_topics(num_topics, 30) # 输出主题词矩阵
        print ('lda training time cost is : %s, all time cost is : %s '%(datetime.now()-time2, datetime.now()-time1))
        #模型的保存/ 加载
        lda_multi.save(middatafolder + 'lda_tfidf_%s_%s.model'%(num_topics, iterations)) # 保存模型
        # lda = models.ldamodel.LdaModel.load('zhwiki_lda.model') # 加载模型
        # save the doc-topic-id
        topic_id_file = codecs.open(middatafolder + 'topic.json', 'w', 'utf-8')
        for i in range(num_docs):
            topic_id = lda_multi[corpusTfidf[i]][0][0] # 取概率最大的主题作为文本所属主题
            topic_id_file.write(str(topic_id)+ ' ')

if __name__ == '__main__':
    datafolder = path + os.sep + 'docword' + os.sep # 预处理后的语料所在文件夹，函数会读取此文件夹下的所有语料文件
    middatafolder = path + os.sep + 'middata' + os.sep
    dictionary_path = middatafolder + 'dictionary.dictionary' # 已处理好的字典，若无，则设置为False
    corpus_path = middatafolder + 'corpus.mm' # 对语料处理过后的corpus，若无，则设置为False
    # stopfile = path + os.sep + 'rest_stopwords.txt' # 新添加的停用词文件
    num_topics = 50
    passes = 2 # 这个参数大概是将全部语料进行训练的次数，数值越大，参数更新越多，耗时更长
    iterations = 6000
    workers = 3 # 相当于进程数
    lda = GLDA()
    lda.lda_train(num_topics, datafolder, middatafolder, dictionary_path=dictionary_path, corpus_path=corpus_path, iterations=iterations, passes=passes, workers=workers)

在训练好模型后该如何对模型进行评价，以选取合适的参数？
可参照下一篇博客python下进行lda主题挖掘(三)——计算困惑度

---

以上，欢迎交流与指正。