在这篇文章中，我将介绍用于Latent Dirichlet Allocation（LDA）的lda Python包的安装和基本用法。我不会在这篇文章中介绍该方法的理论基础。然而，这个模型的主要参考，Blei etal 2003可以在线免费获得，我认为将语料库（文档集）中的文档分配给基于单词矢量的潜在（隐藏）主题的主要思想是相当容易理解的而这个例子（来自lda）将有助于巩固我们对LDA模型的理解。那么，让我们开始......

安装lda

在之前的帖子中，我介绍了使用pip和 virtualenwrapper安装Python包，请参阅帖子了解更多详细信息：

• 在Ubuntu 14.04上安装Python包
• 在Ubuntu 14.04上的virtualenv和virtualenvwrapper

简而言之，我将提到两种方法：

• 方法1：

我将以用户身份安装lda

$ pip install --user lda

这也将安装所需的pbr包。现在我将 在一个设置中提供lda，其中包含我之前安装的所有其他软件包（再次参见上文）。使用此方法，您应该在安装后得到类似的内容：

$ pip show lda   ---

名称：lda

版本：0.3.2

位置：/home/cstrelioff/.local/lib/python2.7/site-packages

需要：pbr，numpy

我已经安装了numpy，因此没有修改。

所以，就是这样，lda已经安装好了。让我们一起完成随包提供的示例。

一个例子

lda github存储库中的示例查看路透社新闻发布的语料库 - 让我们复制一下并添加一些细节以更好地了解正在发生的事情。此要点提供了一个包含所有要遵循的代码的脚本，名为 ex002_lda.py。首先，我们做一些导入：

import numpy as np   import lda   import lda.datasets
 

接下来，我们导入用于示例的数据。这包含在 lda包中，因此这一步很简单（我还打印出每个项目的数据类型和大小）：

从上面我们可以看到有395个新闻项目（文档）和一个大小为4258的词汇表。文档术语矩阵X具有395个词汇表中每个4258个词汇单词的出现次数。文档。例如，X [0,3117]是单词3117在文档0中出现的次数。我们可以找出计数和与之对应的单词（让我们也得到文档标题）：

doc_id = 0   word_id = 3117   print （“doc id：{} word id：{}” 。format （doc_id ， word_id ））   print （“ - count：{}” 。format （X [ doc_id ， word_id ]））   print （“ - word：{}” 。format （vocab [ word_id ]））   print （“ - doc：{}” 。format （titles [ doc_id ]））   doc id ：0 word id ：3117   - count ：2   - word ：heir - to - the - throne

当然我们应该期望X 矩阵中有很多零 - 我选择这个例子来获得非零结果。

选择模型

接下来，我们初始化并拟合LDA模型。要做到这一点，我们必须选择主题的数量（其他方法也可以尝试查找主题的数量，但对于LDA，我们必须假设一个数字）。继续我们选择的示例：

model = lda 。LDA （n_topics = 20 ， n_iter = 500 ， random_state = 1 ）

先前有几个参数我们保留默认值。据我所知，这只使用对称先验 - 我将不得不更多地研究它（参见Wallach etal 2009讨论这个问题）。

主题字

从拟合模型中我们可以看到主题词概率：

从输出的大小我们可以看出，对于20个主题中的每一个，我们在词汇表中分配了4258个单词。对于每个主题，应该对单词的概率进行标准化。我们来看看前5：

for n in range （5 ）：   sum_pr = sum （topic_word [ n ，：]）   print （“topic：{} sum：{}” 。format （n ， sum_pr ））

我们还可以获得每个主题的前5个单词（按概率）：

 * 主题 6   - 德国 德国 战争 政治 政府   
 * 主题 7   - 哈里曼 你。小号 克林顿 丘吉尔 大使   
 * 主题 8   - 叶利钦 的俄罗斯 俄罗斯 总统 克里姆林宫   
 * 主题 9   - 王子 女王 鲍尔斯 教会 王   
 * 主题 10   - 辛普森 亿 年前 南   - bernardin 红衣主教 癌症 教会 生活   
 * 主题 17   - 死于 丧葬 教会 城市 死亡   
 * 主题 18   - 博物馆 肯尼迪 文化 城市 文化   
 * 主题 19   - 艺术 展 世纪 城市 之旅

这让我们了解了20个主题可能意味着什么？

文档主题

我们从模型中获得的其他信息是文档主题概率：

doc_topic = model .doc_topic_

查看输出的大小，我们可以看到395个文档中的每个文档都有20个主题的分布。这些应该针对每个文档进行标准化，让我们测试前5个：

for n in range （5 ）：   sum_pr = sum （doc_topic [ n ，：]）   print （“document：{} sum：{}” 。format （n ， sum_pr ））

文件： 0 总和： 1.0

文件： 1 总和： 1.0

文件： 2 总和： 1.0

文件： 3 总和： 1.0

文件： 4 总和： 1.0

使用新故事的标题，我们可以对最可能的主题进行抽样：

for n in range （10 ）：   topic_most_pr = doc_topic [ n ] 。argmax （）   print （“doc：{} topic：{}  n {} ...” 。format （n ，   topic_most_pr ，   titles [ n ] [：50 ]））

可视化

让我们看看一些主题词分布是什么样的。这里的想法是每个主题应该有一个独特的单词分布。在下面的词干图中，每个词干的高度反映了焦点主题中单词的概率：

plt .tight_layout （）   plt .show （）

最后，让我们看一下几个文档的主题分布。这些分布给出了每个文档的20个主题中每个主题的概率。我只会画一些：

plt .tight_layout （）   plt .show （）