lda php,LDA主题分析代码实现

主题文本分析：

首先读取txt文本，并删除stop_list中存放的停止词汇

f = open('..\\LDA_test.txt')

texts = [[word for word in line.strip().lower().split() if word not in stop_list] for line in f]

print('Text = ')

pprint(texts)　 #输出格式处理好的文本内容

然后计算生成文本内容的词典

dictionary = corpora.Dictionary(texts)

print('corpora.Dictionary:')

print(dictionary)

然后将每个文档或者文档中的每个句子(一行)向量化

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

print('corpus')

print(corpus)

然后计算词频

corpus_tfidf = models.TfidfModel(corpus)[corpus]

print('corpus_tfidf:')

print(corpus_tfidf)

然后可以条用ＬＳＩ模型做文本分析

lsi = models.LsiModel(corpus_tfidf, num_topics=2, id2word=dictionary)

topic_result = [a for a in lsi[corpus_tfidf]]

pprint(topic_result)　＃输出每个文档或者每行句子的主题

或者输出每个主题的词汇构成

print('LSI Topics:')

pprint(lsi.print_topics(num_topics=2, num_words=5))

计算文档两两之间的相似度

similarity = similarities.MatrixSimilarity(lsi[corpus_tfidf])   # similarities.Similarity()

print('Similarity:')

pprint(list(similarity))

也可以用LDA模型来做主题分析

num_topics = 2

lda = models.LdaModel(corpus_tfidf, num_topics=num_topics, id2word=dictionary,

alpha='auto', eta='auto', minimum_probability=0.001, passes=10)

输出每个文档的主题分布：

doc_topic = [doc_t for doc_t in lda[corpus_tfidf]]

print('Document-Topic:\n')

pprint(doc_topic)

或者：

for doc_topic in lda.get_document_topics(corpus_tfidf):

print(doc_topic)

然后输出每个主题的词分布：

for topic_id in range(num_topics):

print('Topic', topic_id)

# pprint(lda.get_topic_terms(topicid=topic_id))

pprint(lda.show_topic(topic_id))

计算文档之间的相似度

similarity = similarities.MatrixSimilarity(lda[corpus_tfidf])

print('Similarity:')

pprint(list(similarity))

基于lda第三方库实现的主题分析

需要先安装这个第三方库lda( pip install lda)

首先要把每个文档的格式转换为向量来表示

所以多个文档就形成了一个矩阵，维度为k*n，k为每个文档向量的长度，n为文档个数

例如：矩阵中的每个元素可以用tf—idf词频来表示

利用LDA模型进行建模

topic_num = 20

model = lda.LDA(n_topics=topic_num, n_iter=800, random_state=1)

model.fit(X)

输出各个主题的词分布

topic_word = model.topic_word_

print(("type(topic_word): {}".format(type(topic_word))))

print(("shape: {}".format(topic_word.shape)))

print((topic_word[:, :5]))  #由于词分布太长了，所以只用输出部分

可以输出每个主题topK个词汇：

n = 7

for i, topic_dist in enumerate(topic_word):

topic_words = np.array(vocab)[np.argsort(topic_dist)][:-(n + 1):-1]

print(('*Topic {}\n- {}'.format(i, ' '.join(topic_words))))

其中vocab为所有文档的词汇元组，就是对应词向量的词汇元组

长度等于每个文档词向量的长度

最终输出我们想要知道的每个文档对应的最有可能的主题：

doc_topic = model.doc_topic_

print(("type(doc_topic): {}".format(type(doc_topic))))

print(("shape: {}".format(doc_topic.shape)))

for i in range(10):

topic_most_pr = doc_topic[i].argmax()

print(("文档: {} 主题: {} value: {}".format(i, topic_most_pr, doc_topic[i][topic_most_pr])))

最后是可视化：

mpl.rcParams['font.sans-serif'] = ['SimHei']

mpl.rcParams['axes.unicode_minus'] = False

# Topic - word

plt.figure(figsize=(7, 6))

# f, ax = plt.subplots(5, 1, sharex=True)

for i, k in enumerate([0, 5, 9, 14, 19]):

ax = plt.subplot(5, 1, i+1)

ax.plot(topic_word[k, :], 'r-')

ax.set_xlim(-50, 4350)   # [0,4258]

ax.set_ylim(0, 0.08)

ax.set_ylabel("概率")

ax.set_title("主题 {}".format(k))

plt.xlabel("词", fontsize=13)

plt.tight_layout()

plt.suptitle('主题的词分布', fontsize=15)

plt.subplots_adjust(top=0.9)

plt.show()

# Document - Topic

plt.figure(figsize=(7, 6))

# f, ax= plt.subplots(5, 1, figsize=(8, 6), sharex=True)

for i, k in enumerate([1, 3, 4, 8, 9]):

ax = plt.subplot(5, 1, i+1)

ax.stem(doc_topic[k, :], linefmt='g-', markerfmt='ro')

ax.set_xlim(-1, topic_num+1)

ax.set_ylim(0, 1)

ax.set_ylabel("概率")

ax.set_title("文档 {}".format(k))

plt.xlabel("主题", fontsize=13)

plt.suptitle('文档的主题分布', fontsize=15)

plt.tight_layout()

plt.subplots_adjust(top=0.9)

plt.show()