本系列博文介绍常见概率语言模型及其变形模型,主要总结PLSA、LDA及LDA的变形模型及参数Inference方法。初步计划内容如下
第一篇:PLSA及EM算法
第二篇:LDA及Gibbs Samping
第三篇:LDA变形模型-Twitter LDA,TimeUserLDA,ATM,Labeled-LDA,MaxEnt-LDA等
第四篇:基于变形LDA的paper分类总结(bibliography)
第五篇:LDA Gibbs Sampling 的JAVA实现
第五篇 LDA Gibbs Sampling的JAVA 实现
在本系列博文的前两篇,我们系统介绍了PLSA, LDA以及它们的参数Inference 方法,重点分析了模型表示和公式推导部分。曾有位学者说,“做研究要顶天立地”,意思是说做研究空有模型和理论还不够,我们还得有扎实的程序code和真实数据的实验结果来作为支撑。本文就重点分析 LDA Gibbs Sampling的JAVA 实现,并给出apply到newsgroup18828新闻文档集上得出的Topic建模结果。
本项目Github地址 https://github.com/yangliuy/LDAGibbsSampling
1、文档集预处理
要用LDA对文本进行topic建模,首先要对文本进行预处理,包括token,去停用词,stem,去noise词,去掉低频词等等。当语料库比较大时,我们也可以不进行stem。然后将文本转换成term的index表示形式,因为后面实现LDA的过程中经常需要在term和index之间进行映射。Documents类的实现如下,里面定义了Document内部类,用于描述文本集合中的文档。
- package liuyang.nlp.lda.main;
-
- import java.io.File;
- import java.util.ArrayList;
- import java.util.HashMap;
- import java.util.Map;
- import java.util.regex.Matcher;
- import java.util.regex.Pattern;
-
- import liuyang.nlp.lda.com.FileUtil;
- import liuyang.nlp.lda.com.Stopwords;
-
-
-
-
-
-
-
- public class Documents {
-
- ArrayList<Document> docs;
- Map<String, Integer> termToIndexMap;
- ArrayList<String> indexToTermMap;
- Map<String,Integer> termCountMap;
-
- public Documents(){
- docs = new ArrayList<Document>();
- termToIndexMap = new HashMap<String, Integer>();
- indexToTermMap = new ArrayList<String>();
- termCountMap = new HashMap<String, Integer>();
- }
-
- public void readDocs(String docsPath){
- for(File docFile : new File(docsPath).listFiles()){
- Document doc = new Document(docFile.getAbsolutePath(), termToIndexMap, indexToTermMap, termCountMap);
- docs.add(doc);
- }
- }
-
- public static class Document {
- private String docName;
- int[] docWords;
-
- public Document(String docName, Map<String, Integer> termToIndexMap, ArrayList<String> indexToTermMap, Map<String, Integer> termCountMap){
- this.docName = docName;
-
- ArrayList<String> docLines = new ArrayList<String>();
- ArrayList<String> words = new ArrayList<String>();
- FileUtil.readLines(docName, docLines);
- for(String line : docLines){
- FileUtil.tokenizeAndLowerCase(line, words);
- }
-
- for(int i = 0; i < words.size(); i++){
- if(Stopwords.isStopword(words.get(i)) || isNoiseWord(words.get(i))){
- words.remove(i);
- i--;
- }
- }
-
- this.docWords = new int[words.size()];
- for(int i = 0; i < words.size(); i++){
- String word = words.get(i);
- if(!termToIndexMap.containsKey(word)){
- int newIndex = termToIndexMap.size();
- termToIndexMap.put(word, newIndex);
- indexToTermMap.add(word);
- termCountMap.put(word, new Integer(1));
- docWords[i] = newIndex;
- } else {
- docWords[i] = termToIndexMap.get(word);
- termCountMap.put(word, termCountMap.get(word) + 1);
- }
- }
- words.clear();
- }
-
- public boolean isNoiseWord(String string) {
-
- string = string.toLowerCase().trim();
- Pattern MY_PATTERN = Pattern.compile(".*[a-zA-Z]+.*");
- Matcher m = MY_PATTERN.matcher(string);
-
- if(string.matches(".*www\\..*") || string.matches(".*\\.com.*") ||
- string.matches(".*http:.*") )
- return true;
- if (!m.matches()) {
- return true;
- } else
- return false;
- }
-
- }
- }
2 LDA Gibbs Sampling
文本预处理完毕后我们就可以实现LDA Gibbs Sampling。 首先我们要定义需要的参数,我的实现中在程序中给出了参数默认值,同时也支持配置文件覆盖,程序默认优先选用配置文件的参数设置。整个算法流程包括模型初始化,迭代Inference,不断更新主题和待估计参数,最后输出收敛时的参数估计结果。
包含主函数的配置参数解析类如下:
- package liuyang.nlp.lda.main;
-
- import java.io.File;
- import java.io.IOException;
- import java.util.ArrayList;
-
- import liuyang.nlp.lda.com.FileUtil;
- import liuyang.nlp.lda.conf.ConstantConfig;
- import liuyang.nlp.lda.conf.PathConfig;
-
-
-
-
-
-
-
- public class LdaGibbsSampling {
-
- public static class modelparameters {
- float alpha = 0.5f;
- float beta = 0.1f;
- int topicNum = 100;
- int iteration = 100;
- int saveStep = 10;
- int beginSaveIters = 50;
- }
-
-
-
-
-
-
-
-
- private static void getParametersFromFile(modelparameters ldaparameters,
- String parameterFile) {
-
- ArrayList<String> paramLines = new ArrayList<String>();
- FileUtil.readLines(parameterFile, paramLines);
- for(String line : paramLines){
- String[] lineParts = line.split("\t");
- switch(parameters.valueOf(lineParts[0])){
- case alpha:
- ldaparameters.alpha = Float.valueOf(lineParts[1]);
- break;
- case beta:
- ldaparameters.beta = Float.valueOf(lineParts[1]);
- break;
- case topicNum:
- ldaparameters.topicNum = Integer.valueOf(lineParts[1]);
- break;
- case iteration:
- ldaparameters.iteration = Integer.valueOf(lineParts[1]);
- break;
- case saveStep:
- ldaparameters.saveStep = Integer.valueOf(lineParts[1]);
- break;
- case beginSaveIters:
- ldaparameters.beginSaveIters = Integer.valueOf(lineParts[1]);
- break;
- }
- }
- }
-
- public enum parameters{
- alpha, beta, topicNum, iteration, saveStep, beginSaveIters;
- }
-
-
-
-
-
- public static void main(String[] args) throws IOException {
-
- String originalDocsPath = PathConfig.ldaDocsPath;
- String resultPath = PathConfig.LdaResultsPath;
- String parameterFile= ConstantConfig.LDAPARAMETERFILE;
-
- modelparameters ldaparameters = new modelparameters();
- getParametersFromFile(ldaparameters, parameterFile);
- Documents docSet = new Documents();
- docSet.readDocs(originalDocsPath);
- System.out.println("wordMap size " + docSet.termToIndexMap.size());
- FileUtil.mkdir(new File(resultPath));
- LdaModel model = new LdaModel(ldaparameters);
- System.out.println("1 Initialize the model ...");
- model.initializeModel(docSet);
- System.out.println("2 Learning and Saving the model ...");
- model.inferenceModel(docSet);
- System.out.println("3 Output the final model ...");
- model.saveIteratedModel(ldaparameters.iteration, docSet);
- System.out.println("Done!");
- }
- }
LDA 模型实现类如下
程序的实现细节可以参考我在程序中给出的注释,如果理解LDA Gibbs Sampling的算法流程,上面的代码很好理解。其实排除输入输出和参数解析的代码,标准LDA 的Gibbs sampling只需要不到200行程序就可以搞定。当然,里面有很多可以考虑优化和变形的地方。
还有com和conf目录下的源文件分别放置常用函数和配置类,完整的JAVA工程见Github https://github.com/yangliuy/LDAGibbsSampling
3 用LDA Gibbs Sampling对Newsgroup 18828文档集进行主题分析
下面我们给出将上面的LDA Gibbs Sampling的实现Apply到Newsgroup 18828文档集进行主题分析的结果。 我实验时用到的数据已经上传到Github中,感兴趣的朋友可以直接从Github中下载工程运行。 我在Newsgroup 18828文档集随机选择了9个目录,每个目录下选择一个文档,将它们放置在data\LdaOriginalDocs目录下,我设定的模型参数如下
- alpha 0.5
- beta 0.1
- topicNum 10
- iteration 100
- saveStep 10
- beginSaveIters 80
即设定alpha和beta的值为0.5和0.1, Topic数目为10,迭代100次,从第80次开始保存模型结果,每10次保存一次。
经过100次Gibbs Sampling迭代后,程序输出10个Topic下top的topic words以及对应的概率值如下
我们可以看到虽然是unsupervised learning, LDA分析出来的Topic words还是非常make sense的。比如第5个topic是宗教类的,第6个topic是天文类的,第7个topic是计算机类的。程序的输出还包括模型参数.param文件,topic-word分布phi向量.phi文件,doc-topic分布theta向量.theta文件以及每个文档中每个单词分配到的主题label的.tassign文件。感兴趣的朋友可以从Github https://github.com/yangliuy/LDAGibbsSampling 下载完整工程自己换用其他数据集进行主题分析实验。 本程序是初步实现版本,如果大家发现任何问题或者bug欢迎交流,我第一时间在Github修复bug更新版本。
4 参考文献
[1] Christopher M. Bishop. Pattern Recognition and Machine Learning (Information Science and Statistics). Springer-Verlag New York, Inc., Secaucus, NJ, USA, 2006.
[2] Gregor Heinrich. Parameter estimation for text analysis. Technical report, 2004.
[3] Wang Yi. Distributed Gibbs Sampling of Latent Topic Models: The Gritty Details Technical report, 2005.
[4] Wayne Xin Zhao, Note for pLSA and LDA, Technical report, 2011.
[5] Freddy Chong Tat Chua. Dimensionality reduction and clustering of text documents.Technical report, 2009.
[6] Jgibblda, http://jgibblda.sourceforge.net/
[7]David M. Blei, Andrew Y. Ng, and Michael I. Jordan. 2003. Latent dirichlet allocation. J. Mach. Learn. Res. 3 (March 2003), 993-1022.