主题建模是一种用于找出文档集合中抽象“主题”的统计模型。LDA(Latent Dirichlet Allocation)是主题模型的一个示例，用于将文档中的文本分类为特定的主题。LDA算法为每一个文档构建出一个主题，再为每一个主题添加一些单词，该算法按照Dirichlet分布来建模。

那便开始吧！

数据

在这里将使用到的数据集是15年内发布的100多万条新闻标题的列表，可以从Kaggle下载。

先来看看数据。

1048575

图1

数据预处理

执行以下步骤：

标记化——将文本分成句子，将句子分成单词，把单词变为小写，去掉标点符号。

删除少于3个字符的单词。

删除所有的句号。

词形还原——将第三人称的单词改为第一人称，将过去和未来时态中的动词改为现在时。

词根化——将单词简化为词根形式。

加载gensim 和nltk库

[nltk_data] Downloading package wordnet to[nltk_data] C:\Users\SusanLi\AppData\Roaming\nltk_data…[nltk_data] Package wordnet is already up-to-date!True

编写一个函数，对数据集执行词形还原和词干预处理。

预处理之后选择要预览的文档。

源文件:[‘rain’, ‘helps’, ‘dampen’, ‘bushfires’]标记化和词形还原后的文件:[‘rain’, ‘help’, ‘dampen’, ‘bushfir’]成了!预处理标题文本，将结果保存为“processed_docs’

图2

数据集的词袋

由 “processed_docs”创建一个字典，其中包含单词出现在训练集中的次数。

0 broadcast1 communiti2 decid3 licenc4 awar5 defam6 wit7 call8 infrastructur9 protect10 summit

Gensim filter_extremes

过滤出以下几种情况下的单词：

在少于15个文档中出现(绝对数)或

在总语料库中占比分数超过0.5

以上两步之后，只保留前10万最频繁出现的单词。

Gensim doc2bow

为每个文档创建一个字典来报告单词和这些单词出现的次数，将其保存到“bow_corpus”，然后再次检查选定的文档。

[(76, 1), (112, 1), (483, 1), (3998, 1)]

预览样本预处理文件的词袋。

Word 76 (“bushfir”) appears 1 time.Word 112 (“help”) appears 1 time.Word 483 (“rain”) appears 1 time.Word 3998 (“dampen”) appears 1 time.

TF-IDF

利用models.TfidfModel模型，创建 ‘bow_corpus’的 tf-idf模型对象，并将其保存到“tfidf”。对整个语料库进行tfidf转换，并将其命名为“corpus_tfidf’。最后，预览第一份文件的TF-IDF分数值。

使用词袋运行LDA

使用gensim.models.LdaMulticore训练LDA模型并将其保存到“lda_model’

计算每个主题下出现的单词及其相对权重。

图3

你能用每个主题中的单词及其相应的权重来区分不同的主题吗？

利用TF-IDF 运行LDA

图4

现在，你能用每个主题中的单词及其相应的权重来区分不同的主题吗？

评估利用LDA词袋模型对样本文档进行分类的效果

检查将测试文件归为哪一类。

图5

测试文档被模型精确归类为可能性最大的那个主题，说明分类准确。

评估LDA TF-IDF模型对样本文档进行分类的效果

图6

测试文档被模型精确归类为可能性最大的那个主题，说明分类准确。

隐含文档上的测试模型

图7

源代码可以在GitHub上找到。期待听到您的反馈或问题。

参考资料：