LDA实例

jieba+gensim 参考
scikit-learn 参考

一. jieba + gensim

from gensim import corpora, models
import jieba.posseg as jp, jieba
# 文本集
texts = [
    '美国教练坦言,没输给中国女排,是输给了郎平',
    '美国无缘四强,听听主教练的评价',
    '中国女排晋级世锦赛四强,全面解析主教练郎平的执教艺术',
    '为什么越来越多的人买MPV,而放弃SUV?跑一趟长途就知道了',
    '跑了长途才知道,SUV和轿车之间的差距',
    '家用的轿车买什么好']
# 分词过滤条件
jieba.add_word('四强', 9, 'n')
flags = ('n', 'nr', 'ns', 'nt', 'eng', 'v', 'd')  # 词性
stopwords = ('没', '就', '知道', '是', '才', '听听', '坦言', '全面', '越来越', '评价', '放弃', '人')  # 停用词
# 分词
words_ls = []
for text in texts:
    words = [w.word for w in jp.cut(text) if w.flag in flags and w.word not in stopwords]
    # words = [(w.word, w.flag) for w in jp.cut(text)]
    words_ls.append(words)

print(words_ls)
dictionary = corpora.Dictionary(words_ls)
# 基于词典,使【词】→【稀疏向量】,并将向量放入列表,形成【稀疏向量集】
corpus = [dictionary.doc2bow(words) for words in words_ls]
print(corpus)
# lda模型,num_topics设置主题的个数
lda = models.ldamodel.LdaModel(corpus=corpus, id2word=dictionary, num_topics=2)
# 打印所有主题,每个主题显示5个词
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(lda.inference(corpus))
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, '->', texts[e])

二. scikit-learn

from sklearn.feature_extraction.text import CountVectorizer
from sklearn.decomposition import LatentDirichletAllocation

# 加载数据
with open('./1.txt', 'r', encoding='utf-8') as f1:
    res1 = f1.read()
with open('./2.txt', 'r', encoding='utf-8') as f2:
    res2 = f2.read()
with open('./3.txt', 'r', encoding='utf-8') as f3:
    res3 = f3.read()

contents = [res1, res2, res3]
print(contents)
cntVector = CountVectorizer()
# 文本数据转换为向量的形式,要求给定的数据中单词是以空格隔开的
cnt = cntVector.fit_transform(contents)
print(cnt.shape)
print(cnt.toarray())
lda = LatentDirichletAllocation(n_components=2, learning_method='batch', random_state=28)
docs = lda.fit_transform(cnt)
# 打印文档和主题之间的相关性
print(docs)
# 打印主题和词之间的相关性
print(lda.components_)
  • 0
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
### 回答1: LDA(Latent Dirichlet Allocation)是一种用于主题建模的概率图模型。Gensim是一个用于主题建模和自然语言处理的Python库,它提供了一个实现LDA模型的工具。 使用Gensim实现LDA时,首先需要准备好文本语料库。然后,我们需要将语料库进行预处理,包括分词、去除停用词、词形还原等操作。接下来,我们使用Gensim的语料库和字典工具来创建BOW(Bag of Words)表示法的文档向量。通过将每个文档表示为一个稀疏向量,其中词袋中的每个单词代表一个维度,可以将文本数据转换为数字形式。 在创建好文档向量后,我们使用Gensim的LDA模型类进行训练。该类提供了许多参数,如主题数量、迭代次数和随机种子等。通过调整这些参数,我们可以得到更准确的主题模型。 训练完成后,我们可以通过查看每个主题的关键词来了解模型的结果。Gensim提供了一个函数来获取每个主题的前n个最相关的词语。我们还可以通过将新文档传递给训练好的LDA模型,获取该文档的主题分布。这可以帮助我们理解文档所属的主题类别。 总之,使用Gensim实现LDA可以帮助我们从大量文本数据中抽取主题信息。它可以应用于文本分类、信息检索和推荐系统等领域。同时,Gensim还提供了一些其他的主题模型算法和工具,如LSI(Latent Semantic Indexing)和Word2Vec等,可以进一步扩展我们的文本分析和挖掘能力。 ### 回答2: LDA (Latent Dirichlet Allocation) 是一种用于主题建模的概率模型,是从文本集合中自动发现隐含主题的一种方法。Gensim 是一个用于处理文本数据的 Python 库,提供了 LDA 模型的实现。 使用 Gensim 进行 LDA 建模的过程分为以下几步: 1. 数据预处理:首先,需要将文本数据进行预处理,包括去除停用词、标点符号和数字,并进行词干化或词形变换等操作。这一步的目标是将文本数据转换为更容易处理的形式。 2. 构建词袋模型:将预处理后的文本数据转换为词袋模型,即将每个文本表示为一个向量,向量中的每个维度表示一个词语在该文本中出现的频率或权重。 3. 训练 LDA 模型:使用 Gensim 的 LdaModel 类训练一个 LDA 模型。需要指定词袋模型、主题数量和其他参数。可以通过调整参数来控制模型的性能和建模结果。 4. 分析主题结果:训练完成后,可以使用模型的方法来分析主题结果。例如,可以使用模型的 show_topics() 方法来查看每个主题的关键词。 5. 应用模型预测:训练好的 LDA 模型可以应用于新的文本数据,预测其所属的主题。可以使用模型的 get_document_topics() 方法来获取文本的主题分布。 Gensim 提供了一种简单、高效的方式来实现 LDA 主题建模,并且还支持通过调整参数来优化建模结果。因此,使用 Gensim 进行 LDA 实例化可以帮助我们更好地理解和分析文本数据,发现其中的潜在主题。这对于文本挖掘、信息检索和自然语言处理等领域具有重要的应用价值。 ### 回答3: LDA(Latent Dirichlet Allocation)是一种常用的主题模型算法,旨在通过分析文档集合中的词汇分布,发现文档背后的潜在主题。Gensim是一个开源的Python库,提供了简单而高效的方式来实现LDA模型。 使用Gensim实现LDA模型的步骤如下: 1. 准备数据:首先,需要准备一组文档集合作为输入数据。文档可以是字符串的列表,每个字符串代表一个文档。 2. 预处理文本:接下来,需要对文本进行预处理,包括去除停用词、词干提取等。Gensim提供了一些工具函数来帮助进行预处理。 3. 构建词袋模型:使用Gensim的`corpora.Dictionary`类可以将文本转换为词袋模型。词袋模型将每个词映射到一个唯一的整数ID。 4. 构建语料库:使用词袋模型,可以将文本转换为数字化的表示形式,形成一个语料库。语料库可以由Gensim的`corpora.MmCorpus`类表示。 5. 训练LDA模型:使用Gensim的`models.LdaModel`类可以训练LDA模型。在训练模型之前,需要设置一些超参数,比如主题数、迭代次数等。可以通过调用`lda_model = models.LdaModel(corpus, id2word=dictionary, num_topics=5, passes=10)`来创建一个LDA模型对象,并指定数据、词袋模型和主题数等。 6. 解释结果:训练完成后,可以使用`lda_model.show_topics()`函数来查看每个主题的关键词以及其在整个语料中的权重。可以进一步通过Gensim的可视化工具,如`pyLDAvis`来展示主题模型的结果,帮助解释数据。 总之,Gensim提供了简单而强大的工具来实现LDA模型。通过准备数据、预处理文本、构建词袋模型、构建语料库、训练LDA模型以及解释结果,可以使用Gensim轻松实现LDA主题模型分析。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值