Latent Dirichlet Allocation (LDA) はトピックモデル、典型的な bag-of-words モデルです。つまり、ドキュメントは単語のグループで構成されたセットであると考えており、単語と単語の関係にシーケンスや単語はありません。序列関係。ドキュメントには複数のトピックを含めることができ、ドキュメント内の各単語はトピックの 1 つによって生成されます。ドキュメントセット内の各ドキュメントのトピックを確率分布の形で与え、教師なし学習に属する記事のトピックを要約することができます。

区別する必要があるのは、もう 1 つの古典的な次元削減手法である線形判別分析 (線形判別分析、略して LDA とも呼ばれます) です。この LDA は、パターン認識 (顔認識、船舶認識など) の分野で非常に幅広い用途があります。

LDA は、トレーニング中に手動でラベル付けされたトレーニングセットを必要としませんが、ドキュメントセットと指定されたトピックの数 k のみが必要です。さらに、LDA のもう 1 つの利点は、各トピックについて、それを説明するいくつかの単語を見つけることができることです。モデル内のトピックの数を選択 - パラメータを手動で設定すると、入力された各記事がトピックの確率を示します. 各トピックは次の単語の確率を示します. トピックの具体的な実装は自分で決定します.

特定の生成モデルクラスを次の図に示します。

二、コード

1. ライブラリのインポート

import os
import pandas as pd
import re
import jieba
import jieba.posseg as psg

2.パス読み取り

output_path = '../result'
file_path = '../data'
os.chdir(file_path)
data=pd.read_excel("data.xlsx")#content type
os.chdir(output_path)
dic_file = "../stop_dic/dict.txt"
stop_file = "../stop_dic/stopwords.txt"

同じディレクトリに次の 3 つのフォルダーを作成します: result、data、stop_dic

3.単語の分割

def chinese_word_cut(mytext):
    jieba.load_userdict(dic_file)
    jieba.initialize()
    try:
        stopword_list = open(stop_file,encoding ='utf-8')
    except:
        stopword_list = []
        print("error in stop_file")
    stop_list = []
    flag_list = ['n','nz','vn']
    for line in stopword_list:
        line = re.sub(u'\n|\\r', '', line)
        stop_list.append(line)
    
    word_list = []
    #jieba分词
    seg_list = psg.cut(mytext)
    for seg_word in seg_list:
        word = re.sub(u'[^\u4e00-\u9fa5]','',seg_word.word)
        find = 0
        for stop_word in stop_list:
            if stop_word == word or len(word)<2:     #this word is stopword
                    find = 1
                    break
        if find == 0 and seg_word.flag in flag_list:
            word_list.append(word)      
    return (" ").join(word_list)

data["content_cutted"] = data.content.apply(chinese_word_cut)

このステップには少し時間がかかります。単語の分割処理

4.LDA分析

from sklearn.feature_extraction.text import TfidfVectorizer, CountVectorizer
from sklearn.decomposition import LatentDirichletAllocation

sklearn ライブラリが必要です

def print_top_words(model, feature_names, n_top_words):
    tword = []
    for topic_idx, topic in enumerate(model.components_):
        print("Topic #%d:" % topic_idx)
        topic_w = " ".join([feature_names[i] for i in topic.argsort()[:-n_top_words - 1:-1]])
        tword.append(topic_w)
        print(topic_w)
    return tword

n_features = 1000 #提取1000个特征词语
tf_vectorizer = CountVectorizer(strip_accents = 'unicode',
                                max_features=n_features,
                                stop_words='english',
                                max_df = 0.5,
                                min_df = 10)
tf = tf_vectorizer.fit_transform(data.content_cutted)

n_topics = 8
lda = LatentDirichletAllocation(n_components=n_topics, max_iter=50,
                                learning_method='batch',
                                learning_offset=50,
#                                 doc_topic_prior=0.1,
#                                 topic_word_prior=0.01,
                               random_state=0)
lda.fit(tf)

5. 各トピックに対応する単語を出力する

n_top_words = 25
tf_feature_names = tf_vectorizer.get_feature_names()
topic_word = print_top_words(lda, tf_feature_names, n_top_words)

6. 各記事の対応トピックを出力する

import numpy as np
topics=lda.transform(tf)
topic = []
for t in topics:
    topic.append(list(t).index(np.max(t)))
data['topic']=topic
data.to_excel("data_topic.xlsx",index=False)
topics[0]#0 1 2

7.可視化

import pyLDAvis
import pyLDAvis.sklearn
pyLDAvis.enable_notebook()
pic = pyLDAvis.sklearn.prepare(lda, tf, tf_vectorizer)
pyLDAvis.save_html(pic, 'lda_pass'+str(n_topics)+'.html')
pyLDAvis.show(pic)

8.当惑

import matplotlib.pyplot as plt
plexs = []
scores = []
n_max_topics = 16
for i in range(1,n_max_topics):
    print(i)
    lda = LatentDirichletAllocation(n_components=i, max_iter=50,
                                    learning_method='batch',
                                    learning_offset=50,random_state=0)
    lda.fit(tf)
    plexs.append(lda.perplexity(tf))
    scores.append(lda.score(tf))

n_t=15#区间最右侧的值。注意：不能大于n_max_topics
x=list(range(1,n_t))
plt.plot(x,plexs[1:n_t])
plt.xlabel("number of topics")
plt.ylabel("perplexity")
plt.show()

n_t=15#区间最右侧的值。注意：不能大于n_max_topics
x=list(range(1,n_t))
plt.plot(x,scores[1:n_t])
plt.xlabel("number of topics")
plt.ylabel("score")
plt.show()

3、実際の操作

実行中にいくつか問題が発生しました. 確認および検索した結果、環境とバージョンの問題であり、バージョンを調整することで解決しました. conda=4.12.0, pandas=1.3.0, pyLDAvis で実行することをお勧めします. =2.1.2、基本的には問題ありません。

最終結果は次のとおりです。

要約する

LDA モデルの理解が不十分. csv ファイルをコードの操作に使用する場合, read_csv() を変更するだけで済みます. エンコードとデコードの問題もあります. gbk などを変更してみてください. 、ニワトリ、アドバイスできる大物がいるといいのですが。

LDAモデル原理＋コード＋実践運用

序文

1.原則