当 doc_term_matrix 至少有一行所有元素都为零时使用 LDAvis

Question

我正在使用 LDA 进行主题建模：

dtm <- DocumentTermMatrix(docs)

但是，dtm中的所有元素都为零的行。所以我按照 here

中的说明进行操作

ui = unique(dtm$i)
dtm.new = dtm[ui,]

然后，LDA 工作，我有主题和一切。我的下一次尝试是使用 here 中推荐的 LDAvis。源代码：

    topicmodels_json_ldavis <- function(fitted, corpus, doc_term){
  # Required packages
  library(topicmodels)
  library(dplyr)
  library(stringi)
  library(tm)
  library(LDAvis)

  # Find required quantities
  phi <- posterior(fitted)$terms %>% as.matrix
  theta <- posterior(fitted)$topics %>% as.matrix
  vocab <- colnames(phi)
  doc_length <- vector()
  for (i in 1:length(corpus)) {
    temp <- paste(corpus[[i]]$content, collapse = ' ')
    doc_length <- c(doc_length, stri_count(temp, regex = '\S+'))
  }
  temp_frequency <- inspect(doc_term)
  freq_matrix <- data.frame(ST = colnames(temp_frequency),
                            Freq = colSums(temp_frequency))
  rm(temp_frequency)

  # Convert to json
  json_lda <- LDAvis::createJSON(phi = phi, theta = theta,
                                 vocab = vocab,
                                 doc.length = doc_length,
                                 term.frequency = freq_matrix$Freq)

  return(json_lda)
}

当我调用 topicmodels_json_ldavis 函数时，我收到此错误：

Length of doc.length not equal to the number of rows in theta; 
both should be equal to the number of documents in the data.

我检查了 theta 和 doc.length 的长度。它们是不同的。我假设是因为我通过了语料库 (docs)，它使 dtm 具有（至少）零行。为了使语料库与 doc_term_matrix 匹配，我决定按照 here 中的建议从 dtm.new 制作一个新语料库。源代码：

dtm2list <- apply(dtm, 1, function(x) {
  paste(rep(names(x), x), collapse=" ")
})

myCorp <- VCorpus(VectorSource(dtm2list))

我什至用 dtm.new 创建了一个新的 ldaOut 并将以下参数传递给 topicmodels_json_ldavis：ldaOut22, myCorp, dtm.new

我仍然收到 theta 和 doc.length 必须具有相同长度的错误消息。

Answer 1

我遇到了完全相同的问题，我能够删除具有所有零向量的行以进行 LDA 分析，但随后陷入稀疏矩阵的行数不再匹配 LDAvis 文档的行数。我已经解决了，不幸的是只针对 Python，但您可以使用以下方法作为起点：

让我们先看看我得到了什么：

print(f'The tf matrix:\n {cvz.toarray()[:100]}\n')
sparseCountMatrix = np.array(cvz.toarray())
print(f'Number of non-zero vectors: {len(x[x>0])} Number of zero vectors: {len(x[x==0])}\n')
print(f'Have a look at the non-zero vectors:\n{x[x>0][:200]}\n')
print(f'This is our sparse matrix with {x.shape[0]} (# of documents) by {x.shape[1]} (# of terms in the corpus):\n{x.shape}')

输出：

The tf matrix:
[[0 0 0 ... 0 0 0]
[0 0 0 ... 0 0 0]
[0 0 0 ... 0 0 0]
...
[0 0 0 ... 0 0 0]
[0 0 0 ... 0 0 0]
[0 0 0 ... 0 0 0]]

Number of non-zero vectors: 4721 Number of zero vectors: 232354

Have a look at the non-zero vectors:
[1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1]

This is our sparse matrix with 545 (# of documents) by 435 (# of terms in the corpus):
(545, 435)

有多少行包含全零向量？

len(list(np.array(sparseCountMatrix[(sparseCountMatrix==0).all(1)])))

输出：12

有多少行包含至少一个非零向量？

len(list(np.array(sparseCountMatrix[~(sparseCountMatrix==0).all(1)])))

输出：533

删除包含所有零向量的 12 行用于 LDA 分析：

cleanedSparseCountMatrix = np.array(sparseCountMatrix[~(sparseCountMatrix==0).all(1)])

同时从原始 Pandas 系列（标记）中删除这些文档，因此文档计数与稀疏矩阵行计数匹配，这对于使用 pyLDAVis 可视化 LDA 结果很重要：

首先，要获取全为零向量的行的索引位置，使用np.where:

indexesToDrop = np.where((sparseCountMatrix==0).all(1))
print(f"Indexes with all zero vectors: {indexesToDrop}\n")

输出：

Indexes with all zero vectors: (array([ 47,  77,  88,  95, 106, 109, 127, 244, 363, 364, 367, 369],
    dtype=int64),)

其次，使用此索引列表删除 Pandas 系列中的原始行 series.drop:

data_tokens_cleaned = data['tokens'].drop(data['tokens'].index[indexesToDrop])

清理标记的新长度（应匹配稀疏矩阵长度！）：

len(data_tokens_cleaned)

输出：

这是我们清理过的稀疏矩阵，准备好进行 LDA 分析：

print(cleanedSparseCountMatrix.shape)

输出：(533, 435)

当 doc_term_matrix 至少有一行所有元素都为零时使用 LDAvis

Using LDAvis when doc_term_matrix has at least one row that all elements are zero

visualization

r

lda

topic-modeling