LDA (三) 关键词提取2.0

前言：对于第一个版本 的基于LDA的文本关键词提取  实现了给定文本，提取其关键的功能。后来有需求变动，需要给出所提取的关键词的重要程度排名。便有一个问题：如何判断文本自身的词语的重要性几何，其打分的依据是什么。这也是所有关键词提取方法中最重要的一步。

思路：1.  LDA模型训练得到 topic_word 。由此可以知道每个topic 由哪些单词所代表，以及每个单词在这个topic的重要性得分。

         2.   对于测试集文本，经过LDA模型之后，得到该文本对应的topic（通常一个文本会有多个topic，舍弃概率小的，保留大概率的topic）。由1得到的每个topic包含的单词，将其赋值给测试集文本，作为候选关键词。而对于每个候选关键词，其得分 score= 每个topic的概率*每个单词属于该topic的概率。

实现算法：在LDA模型完成之后的后续代码。

a = lda.print_topics(num_topics=6)
topic_word_dict = {}
for k in range(num_topics):
    b = lda.print_topic(k)
    b = b.split(' + ')
    word_score_list = []
    for i in b:
        temp1 = i.split('*')
        #print(temp1)
        temp1[1] = eval(temp1[1])
        word_score_list.append(temp1)
    topic_word_dict[k] = word_score_list
#print(topic_word_dict)

doc_topic_dict = {}  # key: 第i篇文章 value: 第i篇文章的主题分布
doc_word_dict = {}   # key: 第i篇文章 value: 第i篇文章的主题所包含的词语+得分。
for i in range(M):
    templist2 = []  #临时变量，存储topici包含的词语

    test_doc=train[i]#查看训练集中第i个样本
    doc_bow = dictionary.doc2bow(test_doc)      #文档转换成bow
    num_show_topic = 2  # 每个文档取其前2个主题
    doc_topics = lda.get_document_topics(doc_bow)  # 某文档的主题分布
    doc_topic_dict[i] = doc_topics[:num_show_topic]
    for topic in doc_topic_dict[i]:
        temp_word = topic_word_dict[topic[0]]
        for k in range(len(temp_word)):
            temp_word[i][0] = float(temp_word[i][0]) * float(topic[1])
        #print(temp_word)
        templist2 += temp_word
    # 找出templist2所有关键词
    a = set()
    for word in templist2:
        a.add(word[1])
    b = len(templist2)
    c = {}
    for word in a:
        c[word] = 0
        for m in range(b):
            if templist2[m][1] == word :
                c[word] += float(templist2[m][0])
    doc_word_dict[i] = c
#print(doc_word_dict)

for i in range(M):
    keyword = {}
    print('文档%s的关键词：' %filelist[i])
    for word in train[i]:
        if word in doc_word_dict[i].keys():
            keyword[word] = doc_word_dict[i][word]
    keyword = sorted(keyword.items(), key=lambda x: x[1], reverse=True)
    print(keyword)

问题：如何遍历一个列表，如何合并其元素里相同的项。

由于列表的每个元素又是一个列表，这个子列表包含两个子元素。子元素有一项是单词，故先用一个集合保存单词，用一个字典保存结果。再遍历整个列表，判断每个元素的子元素的单词 ==word, 将其概率值赋值给字典。

LDA改进相关