美文网首页
python LDA主题模型

python LDA主题模型

作者: 陈天睡懒觉 | 来源:发表于2022-05-14 16:30 被阅读0次

准备数据

使用路透社新闻数据的一个子集:R8,包含8类新闻。
本文直接读取清洗后的R8,清洗内容包含:去掉特殊字符,标点符号,停用词和低频词,且英文文本不需要分词。

doc_list = []
f = open('R8.clean.txt', 'r')
lines = f.readlines()
for line in lines:
    doc_list.append(line.strip())
f.close()

print(doc_list[0])
champion products approves stock split champion products inc said board directors approved two one stock split common shares shareholders record april company also said board voted recommend shareholders annual meeting april increase authorized capital stock five mln mln shares reuter

LDA主题模型准备

import gensim
from gensim import corpora
from gensim.models.ldamodel import LdaModel
from gensim.corpora import Dictionary

# 文本需要拆成单词,每一个文本用单词列表表示,才可输入后面的字典函数
texts = [doc.split(' ') for doc in doc_list]
print(texts[0])

# 生成id_word 字典,每个单词对应一个id
dictionary = Dictionary(texts)

# 对字典中的单词进行筛选
dictionary.filter_extremes(no_below=1,
                          no_above=0.5, # 去掉出现在50%以上文章中的单词
                          keep_n=3000) # 去前3000个高频单词

# 将文档转化成词袋(记录文档中有哪些单词以及每个词出现的次数)
corpus = [dictionary.doc2bow(text) for text in texts]

# 模型训练
lda_model = LdaModel(corpus=corpus,
                      id2word=dictionary,
                      num_topics=8,# 主题数量
                      passes=20,# 类似于在机器学习中常见的epoch,也就是训练了多少轮
                      random_state=10) # 一个随机状态对象或生成一个随机状态对象的种子。用于再现性。(保持每次模型训练的一致性)

topic_words = lda_model.print_topics(num_topics=8, num_words=50) # 输出这个模型的各个主题下的主题词
print(topic_words[0]) # 展示第一个主题的主题词
['champion', 'products', 'approves', 'stock', 'split', 'champion', 'products', 'inc', 'said', 'board', 'directors', 'approved', 'two', 'one', 'stock', 'split', 'common', 'shares', 'shareholders', 'record', 'april', 'company', 'also', 'said', 'board', 'voted', 'recommend', 'shareholders', 'annual', 'meeting', 'april', 'increase', 'authorized', 'capital', 'stock', 'five', 'mln', 'mln', 'shares', 'reuter']
(0, '0.066*"billion" + 0.038*"pct" + 0.024*"year" + 0.019*"p" + 0.016*"profit" + 0.015*"stg" + 0.014*"group" + 0.013*"ltd" + 0.012*"plc" + 0.011*"profits" + 0.010*"company" + 0.009*"marks" + 0.009*"l" + 0.009*"u" + 0.008*"francs" + 0.008*"tax" + 0.008*"k" + 0.008*"last" + 0.007*"turnover" + 0.007*"rose" + 0.006*"net" + 0.006*"total" + 0.006*"sales" + 0.005*"rise" + 0.005*"statement" + 0.005*"kong" + 0.005*"dividend" + 0.005*"cents" + 0.005*"hong" + 0.004*"january" + 0.004*"ag" + 0.004*"february" + 0.004*"issue" + 0.004*"owned" + 0.004*"fell" + 0.004*"business" + 0.004*"pre" + 0.004*"operating" + 0.004*"new" + 0.004*"yen" + 0.004*"capital" + 0.004*"making" + 0.004*"five" + 0.004*"surplus" + 0.004*"figures" + 0.004*"parent" + 0.004*"interest" + 0.004*"guilders" + 0.004*"pretax" + 0.004*"increase"')

可视化(notebook中才可显示)

import pyLDAvis
import matplotlib.pyplot as plt
import pyLDAvis.gensim
pyLDAvis.enable_notebook()
vis = pyLDAvis.gensim.prepare(lda_model,corpus,dictionary)
vis

相关文章

  • 10 主题模型 - 代码案例一 - LDA主题模型初识

    08 主题模型 - LDA09 主题模型 - LDA参数学习-Gibbs采样 安装 lda 库使用第三方的lda库...

  • python LDA主题模型

    准备数据 使用路透社新闻数据的一个子集:R8,包含8类新闻。本文直接读取清洗后的R8,清洗内容包含:去掉特殊字符,...

  • 词典构造方法之LDA主题模型

    词典构造方法之LDA主题模型 主题模型LDA原理理解 LDA是一种非监督学习技术,可以用来识别大规模文档集(doc...

  • LDA主题模型

    LDA数学八卦学习笔记 数学知识 Gamma函数 Gamma函数的性质其可以看作阶乘在实数集上的扩展 Gamma分...

  • LDA主题模型

    JGibbLDA是Java版本的LDA算法,可以通过命令行的方式使用,也可以通过通过调用LDACmdOption中...

  • LDA主题模型

    待整理 假设文档是由n个词组成的,且不考虑词之间的关系,假设我们的词典有V个词语,v1,v2,...vv,那么最简...

  • LDA主题模型

    一、几个基础概念 1、贝叶斯理论:先验分布+数据(似然)=后验分布2、二项分布、Beta分布与共轭分布先验分布和后...

  • 主题模型LDA

    作用:对文档抽取主题概率分布思想:人类生成文章的过程如下:比如假设事先给定了这几个主题:Arts、Budgets、...

  • LDA主题模型Python源码实现

  • 12 主题模型 - 代码案例三 - scikit-learn中的

    11 主题模型 - 代码案例二 - scikit-learn中的LDA模型13 主题模型 - 代码案例四 - sc...

网友评论

      本文标题:python LDA主题模型

      本文链接:https://www.haomeiwen.com/subject/fzkburtx.html