1.直观理解主题模型

lda topic model 最佳主题数 lda主题模型是什么_概率分布


听名字应该就知道他讲的是什么?假如有一篇文章text,通过里面的词,来确定他是什么类型的文章,如果文章中出现很多体育类的词,比如,篮球,足球之类的,那么主题模型就会把它划分为体育类的文章。

因为主题模型涉及比较多的数学推导,所以我们先用一个小栗子,理解它要做的事。假设有这么一个场景:

  • 一个资深HR收到一份应聘算法工程师的简历,他想仅仅通过简历来看一下这个人是大牛,还是彩笔,他是怎么判断呢?

他的一般做法就是拿到这份简历,看这个人的简历上写的内容包括了什么?
在此之前呢,他也一定是接触了很多算法工程师的面试,他根据这些招进来的人判断,一个大牛,有可能是:

  • 穿条纹衬衫
  • 曾在BAT就职
  • 做过大型项目

这个HR就会看这个面试者是不是穿条纹衬衫,有没有在BAT就职过,做过什么牛逼的项目,如果都满足条件,那这个HR就会判断这个人应该是大牛,如果他只是穿条纹衬衫,没做过什么拿得出手的项目,那就要犹豫一下了,因为他是彩笔的可能性比较大。

这个例子和主题模型的关系可以用这个图表示:

lda topic model 最佳主题数 lda主题模型是什么_概率分布_02


在LDA眼里,相当于是词袋,每个袋子里都有一堆词,用的时候就只管检测这些词出现与否就OK了。

用公式可以表示成:
lda topic model 最佳主题数 lda主题模型是什么_无监督学习_03

2.LDA的通俗定义

什么是LDA?

  • 它是一种无监督的贝叶斯模型。
  • 是一种主题模型,它可以将文档集中的每篇文档按照概率分布的形式给出。
  • 是一种无监督学习,在训练时不需要手工标注的训练集,需要的是文档集和指定主题的个数。
  • 是一种典型的词袋模型,它认为一篇文档是由一组词组成的集合,词与词之间没有顺序和先后关系。

它主要的优点就是可以对每个主题,都找出一些词来描述它。

3.LDA分类原理

先前详细写过贝叶斯模型的原理以及它所代表的思想,详细请戳:NLP——4.朴素贝叶斯,这里只简单说一下它的原理,用在这里的意思是:
lda topic model 最佳主题数 lda主题模型是什么_无监督学习_04
经过一系列推导,可以得到这样一个链式的关系:
lda topic model 最佳主题数 lda主题模型是什么_概率分布_05
也就是:
lda topic model 最佳主题数 lda主题模型是什么_主题模型_06
这样的关系。

同一主题下,某个词出现的概率,以及同一文档下,某个主题出现的概率,两个概率的乘积,可以得到某篇文档出现某个词的概率,我们在训练的时候,调整这两个分布就可以了。

lda topic model 最佳主题数 lda主题模型是什么_主题模型_07


由此可以定义LDA的生成过程:

  • 对每篇文档,在主题分布中抽取一个主题;(相当于左图)
  • 对抽到的主题所对应的单词分布中随机抽取一个单词;(在右图中抽)
  • 重复上述过程直至遍历整篇文档中的每个单词

经过以上三步,就可以看一下两个分布的乘积,是否符合给定文章的分布,以此来调整。

稍微具体点讲: (w代表单词;d代表文档;t代表主题; 大写代表总集合,小写代表个体。)
D中每篇文档d看作个单词序列:
lda topic model 最佳主题数 lda主题模型是什么_主题模型_08
wi表示第i个单词。

D中涉及的所有不同单词组成一个词汇表大集合V (vocabulary),LDA以文档集合D作为输入,希望训练出的两个结果向量 (假设形成k个topic,V中共有m个词):

  1. 结果向量1:对每个D中的文档d,对应到不同主题的概率lda topic model 最佳主题数 lda主题模型是什么_无监督学习_09:
    lda topic model 最佳主题数 lda主题模型是什么_主题模型_10
    其中lda topic model 最佳主题数 lda主题模型是什么_主题模型_11表示d对应k个主题中第i个主题的概率,计算的方法也很简单:
    lda topic model 最佳主题数 lda主题模型是什么_无监督学习_12
  2. 结果向量2:对每个T中的主题t,生成不同单词的概率向量lda topic model 最佳主题数 lda主题模型是什么_无监督学习_13
    lda topic model 最佳主题数 lda主题模型是什么_无监督学习_14
    其中lda topic model 最佳主题数 lda主题模型是什么_无监督学习_15表示主题lda topic model 最佳主题数 lda主题模型是什么_主题模型_16生成V中第i个单词的概率。计算方法:
    lda topic model 最佳主题数 lda主题模型是什么_主题模型_17

4.LDA的精髓

说了那么多,其实LDA的核心,仍然是这个公式:
lda topic model 最佳主题数 lda主题模型是什么_概率分布_05
用表达式如下:
lda topic model 最佳主题数 lda主题模型是什么_无监督学习_19
其实就是以主题为中间层,通过前面的两个向量(lda topic model 最佳主题数 lda主题模型是什么_主题模型_20lda topic model 最佳主题数 lda主题模型是什么_概率分布_21),分别给出lda topic model 最佳主题数 lda主题模型是什么_无监督学习_22,它的学习过程可以表示为:

  1. LDA算法开始时,先随机地给lda topic model 最佳主题数 lda主题模型是什么_主题模型_23lda topic model 最佳主题数 lda主题模型是什么_主题模型_24赋值(对所有的d和t)
  2. 针对特定的文档lda topic model 最佳主题数 lda主题模型是什么_主题模型_25中的第i单词lda topic model 最佳主题数 lda主题模型是什么_无监督学习_26,如果令该单词对应的主题为lda topic model 最佳主题数 lda主题模型是什么_主题模型_27,可以把 上述公式改写为:
    lda topic model 最佳主题数 lda主题模型是什么_主题模型_28
  3. 枚举T中的主题,得到所有的lda topic model 最佳主题数 lda主题模型是什么_主题模型_29.然后可以根据这些概率值的结果为dsds中的第i个单词wiwi选择一个主题,最简单的就是取令lda topic model 最佳主题数 lda主题模型是什么_概率分布_30概率最大的主题 lda topic model 最佳主题数 lda主题模型是什么_主题模型_27 lda topic model 最佳主题数 lda主题模型是什么_主题模型_27
  4. 如果dsds中的第i个单词wiwi在这里选择了一个与原先不同的主题,就会对lda topic model 最佳主题数 lda主题模型是什么_主题模型_23lda topic model 最佳主题数 lda主题模型是什么_主题模型_24有影响,他们的影响反过来影响对上面提到的lda topic model 最佳主题数 lda主题模型是什么_概率分布_35的计算。

对文档集D中的所有文档d中的所有w进行一次lda topic model 最佳主题数 lda主题模型是什么_无监督学习_36计算,并重新选择主题看成是一次迭代。迭代n次之后就可收敛到LDA所需要的分类结果了。

5.主题模型的简单应用-希拉里邮件门

我们如果不想要具体了解具体的数学公式推导,理解到这里就差不多了,重点是学会怎么使用?

我们用希拉里邮件门那个案例,看一下应该怎么使用gensim来进行邮件分类。

from gensim import corpora, models, similarities
import gensim
import numpy as np
import pandas as pd
import re

df = pd.read_csv("../input/HillaryEmails.csv")
# 原邮件数据中有很多Nan的值,直接扔了。
df = df[['Id','ExtractedBodyText']].dropna()

df.head()

数据样式:

lda topic model 最佳主题数 lda主题模型是什么_无监督学习_37


做一个简单的预处理:

def clean_email_text(text):
    text  = text.replace('\n'," ")
    text = re.sub('-'," ",text)
    text = re.sub(r"\d+/\d+/\d+", "", text) #日期,对主体模型没什么意义
    text = re.sub(r"[0-2]?[0-9]:[0-6][0-9]", "", text) #时间,没意义
    text = re.sub(r"[\w]+@[\.\w]+", "", text) #邮件地址,没意义
    text = re.sub(r"/[a-zA-Z]*[:\//\]*[A-Za-z0-9\-_]+\.+[A-Za-z0-9\.\/%&=\?\-_]+/i", "", text) #网址,没意义
    pure_text = ''
    for letter in text:
        if letter.isalpha() or letter ==' ':
            pure_text += letter
    text = ' '.join(word for word in pure_text.split() if len(word)>1)
    return text

docs = df['ExtractedBodyText']
docs = docs.apply(lambda x :clean_email_text(x))

看一下处理成啥样的:

docs.head(2).values

处理成一个一个词了

lda topic model 最佳主题数 lda主题模型是什么_主题模型_38


即:

lda topic model 最佳主题数 lda主题模型是什么_概率分布_39

手写的停用词,这还有各色的别人写好的停用词:stopwords

stoplist = ['very', 'ourselves', 'am', 'doesn', 'through', 'me', 'against', 'up', 'just', 'her', 'ours', 
            'couldn', 'because', 'is', 'isn', 'it', 'only', 'in', 'such', 'too', 'mustn', 'under', 'their', 
            'if', 'to', 'my', 'himself', 'after', 'why', 'while', 'can', 'each', 'itself', 'his', 'all', 'once', 
            'herself', 'more', 'our', 'they', 'hasn', 'on', 'ma', 'them', 'its', 'where', 'did', 'll', 'you', 
            'didn', 'nor', 'as', 'now', 'before', 'those', 'yours', 'from', 'who', 'was', 'm', 'been', 'will', 
            'into', 'same', 'how', 'some', 'of', 'out', 'with', 's', 'being', 't', 'mightn', 'she', 'again', 'be', 
            'by', 'shan', 'have', 'yourselves', 'needn', 'and', 'are', 'o', 'these', 'further', 'most', 'yourself', 
            'having', 'aren', 'here', 'he', 'were', 'but', 'this', 'myself', 'own', 'we', 'so', 'i', 'does', 'both', 
            'when', 'between', 'd', 'had', 'the', 'y', 'has', 'down', 'off', 'than', 'haven', 'whom', 'wouldn', 
            'should', 've', 'over', 'themselves', 'few', 'then', 'hadn', 'what', 'until', 'won', 'no', 'about', 
            'any', 'that', 'for', 'shouldn', 'don', 'do', 'there', 'doing', 'an', 'or', 'ain', 'hers', 'wasn', 
            'weren', 'above', 'a', 'at', 'your', 'theirs', 'below', 'other', 'not', 're', 'him', 'during', 'which']

分词:

texts = [[word for word in doc.lower().split() if word not in stoplist] for doc in doclist]
texts[0]

当然还可以用包,比如jieba,bltk.
得到的就是一篇文档一个词袋。

建立预料库:每个单词用数字索引代替,得到一个数组。

dictionary = corpora.Dictionary(texts)
corpus = [dictionary.doc2bow(text) for text in texts]

得到:

lda topic model 最佳主题数 lda主题模型是什么_概率分布_40

这个列表告诉我们,第14(从0开始是第一)个邮件中,一共6个有意义的单词(经过我们的文本预处理,并去除了停止词后)

其中,36号单词出现1次,505号单词出现1次,以此类推。。。

接着,我们终于可以建立模型了:

lda = gensim.models.ldamodel.LdaModel(corpus=corpus, id2word=dictionary, num_topics=20)
lda.print_topic(10, topn=5)

得到第10号分类中,最常见的单词是:

  • ‘0.007kurdistan + 0.006email + 0.006see + 0.005us + 0.005*right’

把五个主题打出来看一下:

lda.print_topics(num_topics=5,num_words =6)

lda topic model 最佳主题数 lda主题模型是什么_主题模型_41