机器学习(周志华) 参考答案 第十四章 概率图模型 14.9

机器学习(周志华西瓜书) 参考答案 总目录

• http://blog.csdn.net/icefire_tyh/article/details/52064910

机器学习(周志华) 参考答案 第十四章 概率图模型

• http://blog.csdn.net/icefire_tyh/article/details/53509879

---

    拖了好几个月，现在越来越懒了，于是放弃了自己写个LDA的想法,使用现成的GibbsLDA++0.2

9.从网上下载或者自己实现 LDA ，分析《天龙八部》中每10回的话题演变情况。
由于对《天龙八部》并不怎么熟悉，所以选择了《射雕英雄传》，毕竟小说看了好几遍。
射雕英雄传共40章，按每5章作为一个文档，共8个文档。
全部输入输出文档
VS2015仲GibbsLDA++0.2工程压缩包

步骤一：分词
中文分词一直是个困难的任务，一本射雕好几十万字，如果手动去保留所有名词，那好几天就没了。而现成的中文分词软件并不能很好的划分词语，但也没得办法，分词分的怪怪的也只能用了。
这里选择的是评价较好的 BosonNLP 分词软件，官网是http://bosonnlp.com/dev/center
只需要注册下就能每天使用500次的关键词提取，同时获得该关键词的频率，具体操作方法请看使用手册。
(理论上用它的分词与词性提取效果更好，分词后仅保留名词即可，但是这样会有2万左右的词汇，一是词汇大量重复，和郭靖相关的就重复了300次[郭靖说，郭靖笑，郭靖冲，次日郭靖…]，二是软件跑着就跪了，所以这里用关键词替代)

官网提供的py关键词提取代码，稍微修改下适应这道题需求：

from __future__ import print_function, unicode_literals
import json
import requests


KEYWORDS_URL = 'http://api.bosonnlp.com/keywords/analysis'

for i in range(1, 9):

    filename=(r'C:\Users\icefire\Desktop\txt5\0%02d.txt'%(i))
    print ('处理%s'%(filename))

    input_file = open(filename)
    text = input_file.read( )
    input_file.close()

    params = {'top_k': 300}
    data = json.dumps(text)
    headers = {'X-Token': '你的密钥，在控制台最下方'}
    resp = requests.post(KEYWORDS_URL, headers=headers, params=params, data=data.encode('utf-8'))

    filename=(r'C:\Users\icefire\Desktop\txt5\word_0%02d.txt'%(i))
    print ('输出%s\n'%(filename))

    output_file=open(filename,'w')   
    for weight, word in resp.json():
        output_file.write('%.0f %s\n'%(weight*weight*10000, word))
    output_file.close()

这里每个文档生成300个关键词(有点少，毕竟5章那么多字，但是由于分词的效果也一般般，就没设置太大的数目)，由于所有关键词的频率的平方和为1，所以对词频做平方和操作，并乘上10000，作为该关键词的频数。

步骤二：生成用于 GibbsLDA++0.2 的文档：
这个步骤比较简单，由于LDA并不关心文档中每个词的顺序，所以仅需对每个关键词重复复制频数次就行。
最终输入的TEXT，第一行是文档的总数n，接下来的n行每行代表一个文档，文档中的每个词用空格隔开

filename1=(r'C:\Users\icefire\Desktop\txt5\text.txt')

output_file=open(filename1,'w')
output_file.write('8\n')
for i in range(1, 9):
    str=''
    filename=(r'C:\Users\icefire\Desktop\txt5\word_0%02d.txt'%(i))
    print ('处理%s'%(filename))

    input_file = open(filename)

    for line in input_file.readlines():  
        num,tstr=line.split();
        num=int(num)
        for j in range(1, num):
            str += (tstr+' ')
    input_file.close()
    output_file.write(str+'\n')

print ('输出%s\n'%(filename1))
output_file.close()

步骤三：运行 GibbsLDA++−0.2
我这里用的是 VS2015 编译了 GibbsLDA++−0.2 ，输入参数中， α,β 采用默认值，话题数为15，每个话题关键词为50，没迭代500次保存一次结果，最大迭代次数2000次，得到结果如下。

步骤四：结果分析
先放题目要求的结果，每个文档所对应的话题演变(保存在.theta文件仲)

0	1	2	3	4	5	6	7	8	9	10	11	12	13	14
0.001	0.186	0.803	0.0004	0.0004	0.0007	0.0007	0.0004	0.0006	0.0006	0.0008	0.0007	0.0005	0.001	0.0008
0.001	0.160	0.002	0.0007	0.001	0.0003	0.001	0.0009	0.003	0.001	0.003	0.004	0.001	0.814	0.001
0.0009	0.124	0.002	0.0007	0.007	0.001	0.002	0.001	0.003	0.828	0.002	0.001	0.006	0.014	0.001
0.004	0.088	0.0007	0.005	0.001	0.877	0.003	0.003	0.0008	0.006	0.001	0.002	0.002	0.0005	0.001
0.002	0.156	0.0004	0.769	0.002	0.020	0.003	0.003	0.001	0.013	0.008	0.0007	0.002	0.01	0.002
0.001	0.128	0.0006	0.005	0.002	0.0009	0.002	0.002	0.001	0.001	0.844	0.001	0.002	0.0006	0.003
0.002	0.149	0.0009	0.007	0.780	0.006	0.001	0.001	0.002	0.003	0.035	0.002	0.003	0.001	0.0009
0.813	0.108	0.0009	0.006	0.024	0.021	0.002	0.001	0.001	0.001	0.013	0.0009	0.001	0.002	0.0005

横坐标表示15个话题，纵坐标表示8个文档

文档一：剧情从开头到郭靖降伏小红马为止，可以从表中看出该段最主要的话题是话题2。
话题2主要词：

词	概率	词	概率	词	概率	词	概率	词	概率
柯镇	0.130330	郭靖	0.104801	丘处机	0.081499	杨铁心	0.053299	韩小莹	0.035488
朱聪	0.033262	蒙古	0.028660	铁木真	0.028364	段天德	0.026286	江南	0.023169
贫道	0.021833	完颜洪烈	0.018271	道士	0.015599	喝道	0.014115	张阿生	0.013818
郭啸天	0.012482	韩宝	0.010701	那	0.010553	铜缸	0.010404	李萍	0.009662
金发	0.008920	道	0.008475	兄弟	0.008178	武官	0.007584	丘处机道	0.006694
只见	0.006694	焦木	0.006100	陈玄风	0.006100	颜烈	0.006100	梅超风	0.006100
完颜洪熙	0.005210	敌人	0.004913	官兵	0.004913	华筝	0.004764	王罕	0.004764
马背	0.004616	军士	0.004468	临安	0.004319	拖雷	0.004171	孩子	0.004171
恶	0.003874	桑昆	0.003874	声	0.003429	韩宝驹	0.003280	兵	0.003280
地下	0.003132	大哥	0.003132	箭	0.003132	人	0.003132	铁木真道	0.002983

柯镇恶在这里的概率是超过郭靖的，因为在前5章一大部分是在江南发生的事，后来七怪去了蒙古才找到郭靖，这里的词汇主要是江南和蒙古出现人物的人名。

文档二：剧情从七怪发现郭靖内功突增到王府梅超风被黄蓉胁迫帮助郭靖。该段最主要的话题是话题13。
话题2主要词：

词	概率	词	概率	词	概率	词	概率	词	概率
郭靖	0.411307	师父	0.203639	黄蓉	0.043272	梅超风	0.024810	师哥	0.024136
公子	0.021306	王处一	0.014972	彭连虎	0.010390	柯镇	0.009986	完颜康	0.009851
喝道	0.009312	功夫	0.009043	那	0.009043	内功	0.007021	穆易	0.006482
通天	0.005673	众人	0.005269	你	0.005000	少年	0.004730	侯通海	0.004730
梁子	0.004595	桃花岛	0.004595	铁木真	0.004461	小子	0.004461	王妃	0.004191
小王	0.004191	朱聪	0.004056	说道	0.003922	贫道	0.003922	完颜洪烈	0.003787
武功	0.003652	马钰	0.003652	比武	0.003652	弟子	0.003517	只见	0.003383
蒙古	0.003383	杨铁心	0.003248	我	0.002843	桑昆	0.002843	江南	0.002439
左手	0.002170	少女	0.002170	师弟	0.002035	黄蓉道	0.002035	管家	0.001900
手腕	0.001765	札木合	0.001765	女子	0.001765	华筝	0.001496	王爷	0.001361

该话题依然包含了部分蒙古的词汇，但是大部分都排在了后面。武功，功力等词排在最常出现的几个人名之后。

文档三：剧情从王府梅超风帮助郭靖到宝应郭靖黄蓉救出程瑶迦。该段最主要的话题是话题9。
话题9主要词：

词	概率	词	概率	词	概率	词	概率	词	概率
郭靖	0.231838	黄蓉	0.229868	洪七公	0.060563	梅超风	0.057411	穆念慈	0.043095
师父	0.032981	爹爹	0.029960	武功	0.022473	陆庄	0.018927	陆冠英	0.016957
说道	0.012491	完颜康	0.011703	丘处机	0.010652	喝道	0.010521	彭连虎	0.010258
药师	0.009207	裘千仞	0.008551	黄蓉道	0.008157	掌	0.007763	欧阳克	0.007237
朱聪	0.005661	江南	0.005398	道	0.005267	你	0.004610	功夫	0.003954
她	0.003691	梁子	0.003691	弟子	0.003297	柯镇	0.003165	我	0.003034
郭靖道	0.003034	桃花岛	0.002903	蓉儿	0.002903	晚辈	0.002771	右手	0.002640
那	0.002640	拳法	0.002509	老人家	0.002509	陆乘风	0.002377	招	0.002377
小子	0.002377	左手	0.002246	归云庄	0.002246	老前辈	0.001983	亢龙有悔	0.001852
杨铁心	0.001721	通天	0.001721	登时	0.001721	问道	0.001458	立时	0.001458

该段主要剧情在于洪七公教郭靖掌法以及归云庄，到这里大概能归纳出该LDA算法将每个段落主要名词来划分话题。

最后再贴一段：
文档6：剧情从牛家村黄药师大战全真七子开始到瑛姑找一灯大师报仇结束。该段最主要的话题是话题10。
话题10主要词：

词	概率	词	概率	词	概率	词	概率	词	概率
黄蓉	0.384576	郭靖	0.276421	裘千仞	0.058391	药师	0.028034	杨康	0.027174
丐帮	0.019800	师父	0.018325	书生	0.016358	黄蓉笑道	0.009107	黄蓉道	0.008370
蓉儿	0.007264	爹爹	0.006526	瑛姑	0.006157	农夫	0.005912	弟子	0.005789
那	0.005543	老帮	0.005420	道	0.004683	桃花岛	0.003699	洪七公	0.003576
帮主	0.003576	郭靖道	0.003208	铁掌帮	0.002716	哥哥	0.002716	简长老	0.002593
段皇爷	0.002470	群丐	0.002347	功夫	0.002225	洪帮主	0.002102	见	0.001856
掌	0.001733	彭长老	0.001733	娃娃	0.001610	大师	0.001610	欧阳锋	0.001610
真经	0.001487	黄	0.001364	立时	0.001364	梅超风	0.001364	点头	0.001364
兄弟	0.001241	姑娘	0.001118	裘千丈	0.001118	靖蓉二人	0.000996	渔樵耕读	0.000996
双手	0.000996	软猬甲	0.000996	啊哟	0.000873	竹杖	0.000873	竹棒	0.000873

该话题中的主要词都是在丐帮，铁掌峰和湘西一行的人物名词。

到这里还是有些疑问的，感觉这样为每段归纳话题的意义并不大，因为仅仅是将每段关键词又重新拿了出来作为话题。如果分词后先将这些词归进行话题分类，再对文档进行话题归纳，这样做是不是更好呢？