import gensim
import jieba
import pandas as pd
from gensim import corpora,models
from gensim.models.wrappers import DtmModel
from gensim.corpora import Dictionary
from collections import defaultdict

gensim模块中的动态主题模型并不在官方所提供的代码里。想要使用动态主题模型，必须先下载保存在github上的二进制文件，这个文件有适合linux、win和darwin使用的版本，可直接下载，很方便。

这是链接：https://github.com/magsilva/dtm/tree/master/bin

文本要求

根据我的理解，简单来说，动态主题模型就是一种动态调参的LDA主题模型，通常将时间线分为几个等长的时间片。因此按照gensim里的这个模型要求，你必须先把整个事件片里的文本整合到一起，简而言之，就是你最后放到模型里跑的那个文本列表的长度，必须等于你把时间线分成的段数。

我在使用的时候，一共八个月，被我分为了八段，所以你最后的corpus的这个list的len也要是8

分词处理

接下来，你需要先对你需要分析的文本进行分词处理，我使用的代码如下：

train = []#储存分词结果的listfor line in comment:line = line.strip()line = "".join(line.split())if not len(line):#判断是否为空行continueoutstr = ' 'seg_list =jieba.cut(line)for word in seg_list:if word not in stopword:if word != '\t' and word != u'\u200b' and word != '～':outstr += wordoutstr += " "train.append(outstr.strip().split(" "))

得到train后，还可以筛选掉低频的单词：

frenquecy = defaultdict(int)
for patch in train:for token in patch:frenquecy[token] += 1
train = [[token for token in patch if frenquecy[token] > threshold]for patch in train]

然后把分词结果向量化：

dic = Dictionary(train)
corpus = [dic.doc2bow(text) for text in train]

这里需要用doc2bow函数把分词结果转化为bow格式的向量list

dtm模型构建

可以先去官网看一下，看不懂英文的chrome翻一下就好了

class gensim.models.wrappers.dtmmodel.DtmModel（dtm_path，corpus = None，time_slices = None，mode ='fit'，model ='dtm'，num_topics = 100，id2word = None，prefix = None，lda_sequence_min_iter = 6，lda_sequence_max_iter = 20，lda_max_em_iter = 10，alpha = 0.01，top_chain_var = 0.005，rng_seed = 0，initialize_lda = True ）

dtm_path（str） - dtm二进制文件的路径，例如/ home / username / dtm / dtm / main。
corpus（iterable of （int ，int ）的迭代） - BoW格式的文本集合。
time_slices（int的列表） - 时间戳序列。
mode（{'fit' ，'time'} ，可选） - 控制模式的模式：'fit'用于训练，'time'用于根据DTM分析文档，基本上是一组。
model（{'fixed' ，'dtm'} ，可选） - 将运行的控制模型：'fixed'用于DIM，'dtm'用于DTM。
num_topics（int ，optional） - 主题数。
id2word（Dictionary，可选） -令牌ID和从胼字之间的映射，如果不是指定的-将被从推断语料库。
prefix（str ，optional） - 生成的临时文件的前缀。
lda_sequence_min_iter（int ，optional） - LDA的最小迭代次数。
lda_sequence_max_iter（int ，optional） - LDA的最大迭代次数。
lda_max_em_iter（int ，optional） - LDA中的最大em优化迭代。
alpha（int ，optional） - 超参数，它影响每个时间片中LDA模型的文档主题的稀疏性。
top_chain_var（int ，optional） - 影响的超参数。
rng_seed（int ，optional） - 随机种子。
initialize_lda（bool ，optional） - 如果为True - 使用LDA初始化DTM

这里的第一个参数dtm_path，就是指放置你下载的二进制文件的位置。

整个函数中，最玄幻的参数就是这个time_slices。源代码中要求，sum(time_slices)要等于你时间片的个数，即len(corpus)，但是这个实际上可以有无数种组合，可是官方文档里并没有写具体这个参数会对模型有什么样的影响，我也没搞懂，就只能使用官方文档例子的写法time_slices = [1] * len(corpus)

其他参数可以使用函数的默认值，也可以自己慢慢调整。

根据官方文档中说的，模型有两种模式，一种是fit，一种是time。fit完全正常运行，但是time这个模式是根据时间戳进行分析的模式，可见这是我们想要的模式。但是在实际调用时却出现问题：

问题1

会告诉你某一个函数返回了非0值，报错。根据错误提示，我们一直找到gensim中的utils.py中的1916行，把这里改成：

try:error = subprocess.CalledProcessError(retcode,cmd)
except Exception:error = None

问题2

接下来还会报错，会告诉你各种模型所需要的文件均不存在。我用了好久才明白是怎么回事，原来这个模式自己并不会生成这些初始化的文件，而是需要先运行一次fit模式，再使用fit模式初始化的文件来运行time模型，但是源代码里并没有写这个部分，导致运行失败，因此修改源代码dtmmodel.py中的164行:

if corpus is not None:if self.mode == 'time':print("time mode")self.train(corpus, time_slices, 'fit', model)self.train(corpus, time_slices, mode , model)elif self.mode == 'fit':print("train mode")self.train(corpus, time_slices, mode , model)

这样，就能正常运行time模式。代码如下：

model = DtmModel(path_to_dtm_binary,corpus = corpus,time_slices=time_slice,
id2word=dic,num_topics = num_topics,alpha = alpha,mode='time')

查看的得到的主题：

model.show_topics(num_topics = 10,times=1)

其他使用方法看官方文档就好了

Gensim中动态主题模型——dtmmodel的使用相关推荐

gensim中动态主题模型（DTM）两种实现方法（一）
目录 (一)gensim.models.ldaseqmodel包 1.基本使用方法 2.缩水的地方 (二)gensim.models.wrappers.dtmmodel.DtmModel包 1.没有c ...
gensim中动态主题模型（DTM）两种实现方法（二）
第一部分内容请点此阅读:gensim中动态主题模型(DTM)两种实现方法(一) 目录 (二)gensim.models.wrappers.dtmmodel.DtmModel包 1.如何使用呢? 2.c ...
python主题建模_在PYTHON中进行主题模型LDA分析
原文链接:在PYTHON中进行主题模型LDA分析tecdat.cn 主题建模是一种在大量文档中查找抽象主题的艺术方法.一种作为监督无的机器学习方法,主题模型不容易评估,因为没有标记的"基础 ...
gensim实现LDA主题模型-------实战案例（分析希拉里邮件的主题）
数据集下载:https://download.csdn.net/download/qq_41185868/10963668 第一步: 加载一些必要的库, 我们用的是gensim中的LDA模型,所以必须 ...
连续时间动态主题模型（Continuous Time Dynamic Topic Models, cDTM）
用于分析和管理大量电子文档的工具变得越来越重要.近年来,离散数据的分层贝叶斯模型,已成为一种广泛使用的文本探索和预测分析方法. 主题模型,例如潜在Dirichlet分配(LDA)和更一般的离散分量分析 ...
python数据分析论文报告_Calaméo - 【原创】在PYTHON中进行主题模型LDA分析数据分析报告论文（代码+数据） ....
[ 原创 ] 定制代写开发辅导答疑 r/python/spss/matlab/WEKA/sas/sql/C++/stata/eviews/Computer science assi ...
作者主题模型（Author-Topic Model）的Python Gensim实现
Gensim中的主题模型包括三种,分别是LDA (Latent Dirichlet Allocation) 主题模型.加入了作者因素的作者主题模型 (Author-Topic Model, ATM) ...
win7 64位 Python3.5.1 scipy,numpy, Gensim主题模型包安装
由于Gensim 官网暂时还没有Python3.5 对应的版本,本人安装 Gensim时也是各种纠结,因此专门开通博客,想通过博客来记录一下安装过程,希望也能对部分同道中人有点帮助. 环境: win7 ...
NLP︱LDA主题模型的应用难题、使用心得及从多元统计角度剖析
将LDA跟多元统计分析结合起来看,那么LDA中的主题就像词主成分,其把主成分-样本之间的关系说清楚了.多元学的时候聚类分为Q型聚类.R型聚类以及主成分分析.R型聚类.主成分分析针对变量,Q型聚类针对样 ...

Gensim中动态主题模型——dtmmodel的使用

文本要求

分词处理

dtm模型构建

问题1

问题2

Gensim中动态主题模型——dtmmodel的使用相关推荐

最新文章

热门文章