@Aron和@Roko Mijic的方法忽略了这样一个事实:函数^{}默认情况下只返回每个主题的前20个单词。如果返回组成主题的所有单词,则在这种情况下,所有近似的主题概率将为1(或0.999999)。我尝试了以下代码,这是@Roko Mijic的一个改编:def topic_prob_extractor(gensim_hdp, t=-1, w=25, isSorted=True):
"""
Input the gensim model to get the rough topics' probabilities
"""
shown_topics = gensim_hdp.show_topics(num_topics=t, num_words=w ,formatted=False)
topics_nos = [x[0] for x in shown_topics ]
weights = [ sum([item[1] for item in shown_topics[topicN][1]]) for topicN in topics_nos ]
if (isSorted):
return pd.DataFrame({'topic_id' : topics_nos, 'weight' : weights}).sort_values(by = "weight", ascending=False);
else:
return pd.DataFrame({'topic_id' : topics_nos, 'weight' : weights});
一个更好的,但我不确定是否100%有效,方法是提到的here。可以将HDP模型的主题的真实权重(alpha vector)获取为:alpha = hdpModel.hdp_to_lda()[0];
检查主题的等效alpha值比计算每个主题前20个单词的权重来估计其在数据中的使用概率更符合逻辑。