LDA模型：建立词典+文本数量+建立文档TF-IDF+LDA模型拟合

1.LDA模型简介（节选自百度百科）

LDA（Latent Dirichlet Allocation）是一种文档主题生成模型，也称为一个三层贝叶斯概率模型，包含词、主题和文档三层结构。所谓生成模型，就是说，我们认为一篇文章的每个词都是通过“以一定概率选择了某个主题，并从这个主题中以一定概率选择某个词语”这样一个过程得到。文档到主题服从多项式分布，主题到词服从多项式分布。
LDA是一种非监督机器学习技术，可以用来识别大规模文档集（document collection）或语料库（corpus）中潜藏的主题信息。它采用了词袋（bag of words）的方法，这种方法将每一篇文档视为一个词频向量，从而将文本信息转化为了易于建模的数字信息。但是词袋方法没有考虑词与词之间的顺序，这简化了问题的复杂性，同时也为模型的改进提供了契机。每一篇文档代表了一些主题所构成的一个概率分布，而每一个主题又代表了很多单词所构成的一个概率分布。

2.LDA生成过程（节选自百度百科）

对于语料库中的每篇文档，LDA定义了如下生成过程（generativeprocess）：
1.对每一篇文档，从主题分布中抽取一个主题；
2.从上述被抽到的主题所对应的单词分布中抽取一个单词；
3.重复上述过程直至遍历文档中的每一个单词。
语料库中的每一篇文档与T（通过反复试验等方法事先给定）个主题的一个多项分布 （multinomialdistribution）相对应，将该多项分布记为θ。每个主题又与词汇表（vocabulary）中的V个单词的一个多项分布相对应，将这个多项分布记为φ。

3.LDA模型实践（Python）

导入所需库

import pandas as pd
import re
import jieba
from gensim import corpora, models, similarities
from pprint import pprint
import numpy as np
import time

输入处理数据

data2 = pd.read_excel('1.xlsx')
data2_lda = data2['详情']

data2_lda.shape
data2_lda.drop_duplicates()

机械压缩

def condense_1(str):
    for i in [1,2]:
        j=0
        while j < len(str)-2*i:
            #判断至少出现了两次
            if str[j:j+i] == str[j+i:j+2*i] and str[j:j+i] == str[j+2*i:j+3*i]:
                k= j+2*i
                while k+i<len(str) and str[j:j+i]==str[k+i:k+2*i]:
                    k+=i
                str =str[:j+i]+str[k+i:]
            j+=1
        i+=1
    for i in [3,4,5]:
        j=0
        while j < len(str)-2*i:
            #判断至少出现了一次
            if str[j:j+i] == str[j+i:j+2*i]:
                k= j+i
                while k+i<len(str) and str[j:j+i]==str[k+i:k+2*i]:
                    k+=i
                str =str[:j+i]+str[k+i:]
            j+=1
        i+=1
    return str

数据筛选

def chuli_lda(a):#筛选数据
    a.astype('str').apply(lambda x:len(x)).sum() # 统计字符长度
    data1 = a.astype('str').apply(lambda x: condense_1(x))  # 去除重复词
    data1.apply(lambda x: len(x)).sum()
    data2 = data1.apply(lambda x: len(x))
    data3 = pd.concat((data1, data2), axis = 1)  # 合并
    data3.columns = ['详情','字符长度']
    data4 = data3.loc[data3['字符长度'] > 4, '详情']  # 筛选长度大于4的评论
    return data4
data_lda = chuli_lda(data2_lda)
data_lda

中文分词

jieba.load_userdict('热点\建设.txt')

定义停用词过滤函数

def after_stop(data):
    #添加词典，去掉停用词
    data_cut=data.apply(lambda x:jieba.lcut(str(x)))#lcut(x)表示给x分词，并且返回列表形式
    stopWords=pd.read_csv('stopword.txt',encoding='GB18030',sep='hahaha',header=None,engine='python')
    #此时注意用词里面的，不被作为分隔符
    stopWords=['≮', '≯', '≠', '≮', ' ', '会', '月', '日', '–']+list(stopWords.iloc[:,0])
    #将停用词添加在所有行额第0列中
    data_after_stop=data_cut.apply(lambda x:[i for i in x if i not in stopWords])
    return data_after_stop

data_lda_after_stop = after_stop(data_lda)
data_lda_after_stop.to_csv('data_lda_after_stop.csv',encoding='utf-8')

加载停用词表

def load_stopword():#加载停用词表
    f_stop = open('stopword.txt')
    sw = [line.strip() for line in f_stop]
    f_stop.close()
    return sw

主程序

if __name__ == '__main__':
 
    print('1.初始化停止词列表 ------')
    # 开始的时间
    t_start = time.time()
    # 加载停用词表
    stop_words = load_stopword()
 
    print('2.开始读入语料数据 ------ ')
    # 读入语料库
    f = open('data_lda_after_stop.csv','rb')
    # 语料库分词并去停用词
    texts = [[word for word in line.strip().lower().split() if word not in stop_words] for line in f]
 
    print('读入语料数据完成，用时%.3f秒' % (time.time() - t_start))
    f.close()
    M = len(texts)
    print('文本数目：%d个' % M)
 
    print('3.正在建立词典 ------')
  
    print ('4.正在计算文本向量 ------')
    # 转换文本数据为索引，并计数
    corpus = [dictionary.doc2bow(text) for text in texts]
 
    print ('5.正在计算文档TF-IDF ------')
    t_start = time.time()
    # 计算tf-idf值
    corpus_tfidf = models.TfidfModel(corpus)
    print ('建立文档TF-IDF完成，用时%.3f秒' % (time.time() - t_start))
 
    print ('6.LDA模型拟合推断 ------')
    # 训练模型
    num_topics = 30
    t_start = time.time()
    lda = models.LdaModel(corpus_tfidf, num_topics=num_topics, id2word=dictionary,
                            alpha=0.01, eta=0.01, minimum_probability=0.001,
                            chunksize = 100, passes = 1)
    print('LDA模型完成，训练时间为\t%.3f秒' % (time.time() - t_start))
 
    # 随机打印某10个文档的主题
    num_show_topic = 10  # 每个文档显示前几个主题
    print('7.结果：10个文档的主题分布：--')
    doc_topics = lda.get_document_topics(corpus_tfidf)  # 所有文档的主题分布
    idx = np.arange(M)
    np.random.shuffle(idx)
    idx = idx[:10]
    for i in idx:
        topic = np.array(doc_topics[i])
        topic_distribute = np.array(topic[:, 1])
        # print topic_distribute
        topic_idx = topic_distribute.argsort()[:-num_show_topic-1:-1]
        print ('第%d个文档的前%d个主题：' % (i, num_show_topic)), topic_idx
        print(topic_distribute[topic_idx])
 
    num_show_term = 7   # 每个主题显示几个词
    print('8.结果：每个主题的词分布：--')
    for topic_id in range(num_topics):
        print('主题#%d：\t' % topic_id)
        term_distribute_all = lda.get_topic_terms(topicid=topic_id)
        term_distribute = term_distribute_all[:num_show_term]
        term_distribute = np.array(term_distribute)
        term_id = term_distribute[:, 0].astype(np.int)
        print('词：\t',)
        for t in term_id:
            print(dictionary.id2token[t],)
        print('\n概率：\t', term_distribute[:, 1])

运行结果展示