《学术小白的学习之路 07》自然语言处理之 LDA主题模型 01

本文主要是学习参考杨秀璋老师的博客,笔记总结与记忆。
原文链接

---

书山有路勤为径，学海无涯苦作舟（行行代码要手敲）

---

零、吃水不忘挖井人

原文链接

一、LDA主题模型

1.1简介

LDA（文档主题生成模型）通常由包含词、主题和文档三层结构组成。

LDA模型属于无监督学习，它是将一篇文档的每个词都以一定概率分布在某个主题上，并从这个主题中选择某个词语。

文档到主题的过程是服从多项分布的，主题到词的过程也是服从多项分布的。

文档主题生成模型（又称为盘子表示法（Plate Notation），下图是模型的标示图，其中双圆圈表示可测变量，单圆圈表示潜在变量，箭头表示两个变量之间的依赖关系，矩形框表示重复抽样，对应的重复次数在矩形框的右下角显示。LDA模型的具体实现步骤如下：

• 从每篇网页D对应的多项分布θ中抽取每个单词对应的一个主题z。
• 从主题z对应的多项分布φ中抽取一个单词w。

重复步骤(1)(2)，共计Nd次，直至遍历网页中每一个单词。

1.2安装

从gensim中下载ldamodel扩展包安装，也可以使用Sklearn机器学习包的LDA子扩展包，也可从github中下载开源的LDA工具。下载地址如下所示。

gensim：https://radimrehurek.com/gensim/models/ldamodel.html
scikit-learn：利用pip install sklearn命令安装扩展包，LatentDirichletAllocation函数即为LDA原型
github：https://github.com/ariddell/lda

也可以使用的是通过“pip install lda”安装的官方LDA模型。
pip install lda

二、LDA主题识别

Python的LDA主题模型分布可以进行多种操作，常见的包括：

• 输出每个数据集的高频词TOP-N
• 输出文章中每个词对应的权重及文章所属的主题
• 输出文章与主题的分布概率，文本一行表示一篇文章，概率表示文章属于该类主题的概率；
• 输出特征词与主题的分布概率，这是一个K*M的矩阵，K为设置分类的个数，M为所有文章词的总数。

2.1前期操作

2.1.1生成TF-IDF文本权重矩阵

先要对文本数据进行分词和数据的清洗操作，对清洗完的数据进行生成文本的权重矩阵。

#coding=utf-8
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.feature_extraction.text import TfidfTransformer  
  
#读取语料
corpus = []  
for line in open('test.txt', 'r').readlines():  
    corpus.append(line.strip())
    
#将文本中的词语转换为词频矩阵
vectorizer = CountVectorizer()  
X = vectorizer.fit_transform(corpus)  #计算个词语出现的次数  
word = vectorizer.get_feature_names() #获取词袋中所有文本关键词

#计算TF-IDF值
transformer = TfidfTransformer()  
tfidf = transformer.fit_transform(X) #将词频矩阵X统计成TF-IDF值

#查看数据结构 输出tf-idf权重
print(tfidf.toarray())
weight = tfidf.toarray()

2.1.2 调用LDA模型

model = lda.LDA(n_topics=3, n_iter=500, random_state=1)  
model.fit(X)          
#model.fit_transform(X) 

参数n_topics表示设置3个主题，n_iter表示设置迭代次数500次，并调用fit(X)或fit_transform(X)函数填充训练数据.

2.2 计算文档的主题分布

老师的语料数据一共9行文本，每一行文本对应一个主题，其中1-3为贵州主题，4-6为数据分析主题，7-9为爱情主题。

现在使用LDA文档主题模型预测各个文档的主体分布情况，即计算文档-主题（Document-Topic）分布，输出9篇文章最可能的主题代码如下。

#coding=utf-8
#By:Eastmount CSDN
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.feature_extraction.text import TfidfTransformer  
import lda
import numpy as np

#生成词频矩阵
corpus = []  
for line in open('test.txt', 'r').readlines():  
    corpus.append(line.strip())
vectorizer = CountVectorizer()  
X = vectorizer.fit_transform(corpus)    
word = vectorizer.get_feature_names()

#LDA分布
model = lda.LDA(n_topics=3, n_iter=500, random_state=1)  
model.fit(X)

#文档-主题（Document-Topic）分布 
doc_topic = model.doc_topic_
print("shape: {}".format(doc_topic.shape))  
for n in range(9):  
    topic_most_pr = doc_topic[n].argmax()  
    print(u"文档: {} 主题: {}".format(n,topic_most_pr))  

2.3 主题关键词的Top-N

计算主题-词语（Topic-Word）分布

代码如下所示，首先分别计算各个主题下的关键词语。

#主题-单词（Topic-Word）分布
word = vectorizer.get_feature_names()
topic_word = model.topic_word_  
for w in word:  
    print(w,end=" ")
print('')

n = 5    
for i, topic_dist in enumerate(topic_word):    
    topic_words = np.array(word)[np.argsort(topic_dist)][:-(n+1):-1]    
    print(u'*Topic {}\n- {}'.format(i, ' '.join(topic_words)))

过代码计算各个主题通过LDA主题模型分析之后的权重分布，代码如下：

#主题-单词（Topic-Word）分布
print("shape: {}".format(topic_word.shape))  
print(topic_word[:, :3])  
for n in range(3):  
    sum_pr = sum(topic_word[n,:])  
    print("topic: {} sum: {}".format(n,  sum_pr))  

2.4 可视化处理

(1) 文档-主题分布图

#coding=utf-8
#By:Eastmount CSDN 
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.feature_extraction.text import TfidfTransformer  
import lda
import numpy as np

#生词频矩阵
corpus = []  
for line in open('test.txt', 'r').readlines():  
    corpus.append(line.strip())
vectorizer = CountVectorizer()  
X = vectorizer.fit_transform(corpus)  
  
#LDA分布
model = lda.LDA(n_topics=3, n_iter=500, random_state=1)  
model.fit_transform(X)

#文档-主题（Document-Topic）分布 
doc_topic = model.doc_topic_
print("shape: {}".format(doc_topic.shape))  
for n in range(9):  
    topic_most_pr = doc_topic[n].argmax()  
    print("文档: {} 主题: {}".format(n+1,topic_most_pr))
    
#可视化分析
import matplotlib.pyplot as plt  
f, ax= plt.subplots(9, 1, figsize=(10, 10), sharex=True)  
for i, k in enumerate([0,1,2,3,4,5,6,7,8]):  
    ax[i].stem(doc_topic[k,:], linefmt='r-',  
               markerfmt='ro', basefmt='w-')  
    ax[i].set_xlim(-1, 3)      #三个主题
    ax[i].set_ylim(0, 1.0)     #权重0-1之间
    ax[i].set_ylabel("y")  
    ax[i].set_title("Document {}".format(k+1))  
ax[4].set_xlabel("Topic")  
plt.tight_layout()
plt.savefig("result.png")
plt.show() 

它是计算文档Document1到Document9各个主题分布情况。X轴表示3个主题，Y轴表示对应每个主题的分布占比情况。如果某个主题分布很高，则可以认为该篇文档属于该主题。例如Document1、Document7和Document8在第1个主题分布最高，则可以认为这两篇文章属于主题1。

(2) 主题-词语分布图

该图用于计算各个单词的权重，供43个特征或单词。

#coding=utf-8
#By:Eastmount CSDN 
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.feature_extraction.text import TfidfTransformer  
import lda
import numpy as np

#生词频矩阵
corpus = []  
for line in open('test.txt', 'r').readlines():  
    corpus.append(line.strip())
vectorizer = CountVectorizer()  
X = vectorizer.fit_transform(corpus)

#LDA分布
model = lda.LDA(n_topics=3, n_iter=500, random_state=1)  
model.fit_transform(X)

#文档-主题（Document-Topic）分布 
doc_topic = model.doc_topic_
print("shape: {}".format(doc_topic.shape))  
for n in range(9):  
    topic_most_pr = doc_topic[n].argmax()  
    print(u"文档: {} 主题: {}".format(n+1,topic_most_pr))
topic_word = model.topic_word_

#可视化分析
import matplotlib.pyplot as plt
f, ax= plt.subplots(3, 1, figsize=(8,6), sharex=True) #三个主题
for i, k in enumerate([0, 1, 2]):
    ax[i].stem(topic_word[k,:], linefmt='b-',
               markerfmt='bo', basefmt='w-')
    ax[i].set_xlim(-1, 43)      #单词43个
    ax[i].set_ylim(0, 0.5)      #单词出现频率
    ax[i].set_ylabel("y")
    ax[i].set_title("Topic {}".format(k))
ax[1].set_xlabel("word")
plt.tight_layout()
plt.savefig("result2.png")
plt.show() 

计算主题topic0、topic1、topic2各个单词权重分布情况。横轴表示43个单词，纵轴表示每个单词的权重。