使用潜在Dirichlet分配（LDA）和t-SNE中的可视化进行主题建模。
本文中的代码片段仅供您在阅读时更好地理解。有关完整的工作代码，请参阅此回购。
我们将首先介绍主题建模和t-SNE，然后将这些技术应用于两个数据集：20个新闻组和推文。
什么是主题建模？
主题模型是一套算法/统计模型，可以揭示文档集中的隐藏主题。直观地看，因为一个文件是关于某个特定话题，人们所期望的某些词出现在文档中或多或少频繁：“算法”，“编译器”，和“阵”将在大约计算机科学文档更经常出现，“关于政治的文件中的民主'，'政治家'和'政策'，'''，'a'和'是'两者都可能同样出现。此外，文档通常涉及不同比例的多个主题，特别是在跨学科文档中（例如，60％关于生物学，25％关于统计学，15％关于计算机科学的生物信息学文章）。主题模型在数学框架中捕获这种直觉，以检查和发现主题可能是什么以及每个文档的主题平衡。
热门话题建模算法包括潜在语义分析（LSA），分层Dirichlet过程（HDP）和潜在Dirichlet分配（LDA），其中LDA在实践中已经显示出很好的结果，因此被广泛采用。这篇文章将使用LDA进行主题建模（对于那些喜欢了解LDA理论并且阅读公式很舒服的人，请参阅本文）。
T-SNE
t-SNE或t分布随机邻域嵌入是用于高维数据可视化的维数降低算法。这部分是为了减轻人类不能（至少现在不能）感知超过3-D的向量空间这一事实。
这是一个减少784-D数字表示并在三维空间中可视化的示例（信用：Google嵌入项目）
t-SNE是不确定的，其结果取决于数据批次。换句话说，相对于批次中的其他数据点，相同的高维数据点可以被转换成不同批次的不同2-D或3-D向量。
可以使用各种语言实现t-SNE，但速度可能会有所不同。例如，我对C ++和Python包装器以及Python sklearn版本进行了比较，发现前者在矩阵转换速度方面通常快3倍：
环境
15-inch MacBook Pro, macOS Sierra
2.2 GHz Intel Core i7 processor
16 GB 1600 MHz DDR3 memory
1.将10,000 x 50矩阵转换为10,000 x 2
C ++和Python
real 1m2.662s
user 1m0.575s
sys 0m1.929s
Python sklearn
real 3m29.883s
user 2m22.748s
sys 1m7.010s
2.将20,000 x 50矩阵转换为20,000 x 2
C ++和Python
real 2m40.250s
user 2m32.400s
sys 0m6.420s
Python sklearn
real 6m54.163s
user 4m17.524s
sys 2m31.693s
3.将1,000,000 x 25矩阵转换为1,000,000 x 2
C ++和Python
real 224m55.747s
user 216m21.606s
sys 8m21.412s
Python sklearn
out of memory... :(
t-SNE的作者说，他们“已经将这项技术应用于数据集，最多有3000万个例子”（尽管他没有指定数据和运行时的维度）。如果你有一个更大的数据集，你可以扩大你的硬件，调整参数（例如，sklearn的t-SNE中的angle参数），或尝试替代（如LargeVis，其作者声称“与tSNE比较，LargeVis显着降低了图形构建步骤的计算成本“。我还没有测试过它。
把它放在一起：20个新闻组的例子
足够的理论：让我们亲自动手吧。在本节中，我们将在20个新闻组数据集上应用LDA算法，以发现每个文档中的基础主题，并使用t-SNE将它们显示为组。
获取数据
幸运的是，它sklearn具有轻松检索和过滤20个新闻组数据的功能：
from sklearn.datasets import fetch_20newsgroups
# we only want to keep the body of the documents!
remove=('headers', 'footers', 'quotes')
# fetch train and test data
newsgroups_train=fetch_20newsgroups(subset='train', remove=remove)
newsgroups_test=fetch_20newsgroups(subset='test', remove=remove)
# a list of 18,846 cleaned news in string format
# only keep letters & make them all lower case
news=[' '.join(filter(unicode.isalpha, raw.lower().split()))forrawin
newsgroups_train.data+newsgroups_test.data]
LDA模型
在我们获得清理后的数据后，我们可以对令牌进行矢量化并训练LDA模型：
import lda
from sklearn.feature_extraction.text import CountVectorizer
n_topics=20 # number of topics
n_iter=500 # number of iterations
# vectorizer: ignore English stopwords & words that occur less than 5 times
cvectorizer=CountVectorizer(min_df=5, stop_words='english')
cvz=cvectorizer.fit_transform(news)
# train an LDA model
lda_model=lda.LDA(n_topics=n_topics, n_iter=n_iter)
X_topics=lda_model.fit_transform(cvz)
其中X_topics是18,846（num_news）乘20（n_topics）矩阵。注意，我们在这里有一个很好的概率解释：每一行是属于某个主题的这个新闻的概率分布（由我们的LDA模型学习）（例如，X_topics[0][0]代表属于主题1的第一个新闻的可能性）。
用t-SNE减少到2-D
我们有一个学习过的LDA模型。但我们无法直观地检查我们的模型有多好。t-SNE来救援：
from sklearn.manifold import TSNE
# a t-SNE model
# angle value close to 1 means sacrificing accuracy for speed
# pca initializtion usually leads to better results
tsne_model=TSNE(n_components=2, verbose=1, random_state=0, angle=.99, init='pca')
# 20-D -> 2-D
tsne_lda=tsne_model.fit_transform(X_topics)
可视化组及其关键字
现在，我们已准备好使用流行的Python可视化库散景来可视化新闻组和关键字。
首先我们做一些设置工作（导入类和函数，设置参数等）：
import numpyasnp
import bokeh.plottingasbp
from bokeh.plotting import save
from bokeh.models import HoverTool
n_top_words=5 # number of keywords we show
# 20 colors
colormap=np.array([
"#1f77b4", "#aec7e8", "#ff7f0e", "#ffbb78", "#2ca02c",
"#98df8a", "#d62728", "#ff9896", "#9467bd", "#c5b0d5",
"#8c564b", "#c49c94", "#e377c2", "#f7b6d2", "#7f7f7f",
"#c7c7c7", "#bcbd22", "#dbdb8d", "#17becf", "#9edae5"
])
然后我们找到每个新闻最可能的主题：
_lda_keys=[]
foriinxrange(X_topics.shape[0]):
_lda_keys+=_topics[i].argmax(),
并获得每个主题的顶级单词：
topic_summaries=[]
topic_word=lda_model.topic_word_ # all topic words
vocab=cvectorizer.get_feature_names()
fori, topic_distinenumerate(topic_word):
topic_words=np.array(vocab)[np.argsort(topic_dist)][:-(n_top_words+1):-1] # get!
topic_summaries.append(' '.join(topic_words)) # append!
最后但并非最不重要的是，我们绘制新闻（每个点代表一个新闻）：
title='20 newsgroups LDA viz'
num_example=len(X_topics)
plot_lda=bp.figure(plot_width=1400, plot_height=1100,
title=title,
tools="pan,wheel_zoom,box_zoom,reset,hover,previewsave",
x_axis_type=None, y_axis_type=None, min_border=1)
plot_lda.scatter(x=tsne_lda[:, 0], y=tsne_lda[:, 1],
color=colormap[_lda_keys][:num_example],
source=bp.ColumnDataSource({
"content": news[:num_example],
"topic_key": _lda_keys[:num_example]
}))
并绘制每个主题的关键词：
# randomly choose a news (within a topic) coordinate as the crucial words coordinate
topic_coord=np.empty((X_topics.shape[1], 2))*np.nan
fortopic_numin_lda_keys:
ifnotnp.isnan(topic_coord).any():
break
topic_coord[topic_num]=tsne_lda[_lda_keys.index(topic_num)]
# plot crucial words
foriinxrange(X_topics.shape[1]):
plot_lda.text(topic_coord[i, 0], topic_coord[i, 1], [topic_summaries[i]])
# hover tools
hover=plot_lda.select(dict(type=HoverTool))
hover.tooltips={"content": "@content - topic: @topic_key"}
# save the plot
save(plot_lda, '{}.html'.format(title))
这是很多代码...但如果你已经做到这一点，你会得到一个像这样的交互式情节：
当我们为每个文档分配一个主要主题时，有些情况甚至最可能的主题的概率相当低（极端情况是每个主题被分配5％，即，均匀分布）。换句话说，我们的模型无法自信（利润率很高）为这样的新闻分配主题。
一种解决方法是添加一个阈值因子，以帮助过滤掉非自信的分配。在我们训练LDA模型之后，在我们使用t-SNE减少维数之前，简单地说明这些线：
import numpy
threshold=0.5
_idx=np.amax(X_topics, axis=1)>threshold # idx of doc that above the threshold
X_topics=X_topics[_idx]
并重新运行我们将得到的代码：
看起来好多了：孤立和明确的团体！然而，我们以牺牲非自信的任务为代价来实现这一目标（在这种情况下，超过一半的数据）。这表明我们的LDA模型只能从这个数据集中学到很多，而且我们的模型没有信心为所有新闻分配一个好的主题。
也就是说，如果你仔细检查每个主题，那么为每个主题学到的热门话语都有一定道理：例如，'医疗保健使用号码患者'（医疗保健）反对'god jesus christian bible'（宗教）。
推文示例
Twitter已成为最受欢迎的新闻和社交网络服务（SNS）平台之一。在上一篇博客实时Twitter趋势发现中，我们讨论了如何实时可视化Twitter趋势。然而，我们也可以使用推文语料库来模拟主题。
我们希望将推文保存到磁盘并积累一定数量（至少数百万）来有效地模拟主题，而不是将推文放在内存中进行实时处理。
首先，我们需要建立一个推文连接：请查看本节的内容。凭借凭据，我们可以抓取实时推文：
至少花一两天时间来积累相当数量的推文。有时连接可能会中断：只需重新运行脚本，以便将新推文保存到磁盘。
获得足够的推文后，我们可以加载推文，处理它们，对它们进行矢量化并计算tf-idf分数，训练LDA模型，减少到2-D，并可视化结果。请参阅此处的完整脚本。
你会得到一个如下图：
这是对200万条推文进行过培训的模型的可视化，只显示了5,000个数据点（或推文）。我们有一些很好的集群学习模型：'性女孩色情'代表一些色情相关的推文，'视频喜欢新'代表社交网络内容，'特朗普希拉里cliton'代表政治和选举（推特确实收集了2016年选举热）。
网友评论