LDA简介
LDA（Latent Dirichlet Allocation）是一种文档主题生成模型，也称为一个三层贝叶斯概率模型，包含词、主题和文档三层结构。所谓生成模型，就是说，我们认为一篇文章的每个词都是通过“以一定概率选择了某个主题，并从这个主题中以一定概率选择某个词语”这样一个过程得到。文档到主题服从多项式分布，主题到词服从多项式分布。
LDA是一种非监督机器学习技术，可以用来识别大规模文档集（document collection）或语料库（corpus）中潜藏的主题信息。它采用了词袋（bag of words）的方法，这种方法将每一篇文档视为一个词频向量，从而将文本信息转化为了易于建模的数字信息。但是词袋方法没有考虑词与词之间的顺序，这简化了问题的复杂性，同时也为模型的改进提供了契机。每一篇文档代表了一些主题所构成的一个概率分布，而每一个主题又代表了很多单词所构成的一个概率分布。
关键词：文档主题生成模型，无监督学习，概率模型，NLP
生成过程
对于语料库中的每篇文档，LDA定义了如下生成过程（generativeprocess）：
1.对每一篇文档，从主题分布中抽取一个主题；
2.从上述被抽到的主题所对应的单词分布中抽取一个单词；
3.重复上述过程直至遍历文档中的每一个单词。
语料库中的每一篇文档与T（通过反复试验等方法事先给定）个主题的一个多项分布 （multinomialdistribution）相对应，将该多项分布记为θ。每个主题又与词汇表（vocabulary）中的V个单词的一个多项分布相对应，将这个多项分布记为φ。
具体推导可以参考：https://zhuanlan.zhihu.com/p/31470216
Python范例
使用到的库：jieba, gensim
为了使生成结果更精确，需要构造新词，停用词和同义词词典。
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 |
import jieba import jieba.posseg as jp from gensim import corpora, models # Global Dictionary new_words = ['奥预赛', '折叠屏'] # 新词 stopwords = {' ', '再', '的', '们', '为', '时', '：'} # 停用词 synonyms = {'韩国': '南朝鲜', '传言': '流言'} # 同义词 words_nature = ('n', 'nr', 'ns', 'nt', 'eng', 'v', 'd') # 可用的词性 def add_new_words(): # 增加新词 for i in new_words: jieba.add_word(i) def remove_stopwords(ls): # 去除停用词 return [word for word in ls if word not in stopwords] def replace_synonyms(ls): # 替换同义词 return [synonyms[i] if i in synonyms else i for i in ls] documents = [ '足协申请取消女足奥预赛韩国主场比赛 公平原则保障安全', '芬森发声再回应传言：想念辽宁队友 为中国的球迷们祈福', '电商围剿涉疫商家进行时：哄抬物价，就这么罚你', '今晚视频直播华为新品发布会：全新折叠屏手机亮相'] add_new_words() words_ls = [] for text in documents: words = replace_synonyms(remove_stopwords([w.word for w in jp.cut(text)])) words_ls.append(words) # 生成语料词典 dictionary = corpora.Dictionary(words_ls) # 生成稀疏向量集 corpus = [dictionary.doc2bow(words) for words in words_ls] # LDA模型，num_topics设置聚类数，即最终主题的数量 lda = models.ldamodel.LdaModel(corpus=corpus, id2word=dictionary, num_topics=2) # 展示每个主题的前5的词语 for topic in lda.print_topics(num_words=5): print(topic) # 推断每个语料库中的主题类别 print('推断：') for e, values in enumerate(lda.inference(corpus)[0]): topic_val = 0 topic_id = 0 for tid, val in enumerate(values): if val > topic_val: topic_val = val topic_id = tid print(topic_id, '->', documents[e]) |
结果：
可以看到，一共分成了两类，文本库中的标题分别分成了0，1两类，即一个是体育类，一个是科技类。
需要注意的是，LDA模型是个无监督的聚类，每次生成的结果可能不同。
参考
- https://www.jianshu.com/p/fa97454c9ffd
- https://zhuanlan.zhihu.com/p/31470216
