TopicModel：如何通过主题模型"topic"查询文档？

Question

下面我创建了一个完整的可重现示例来计算给定 DataFrame 的主题模型。

import numpy as np  
import pandas as pd

data = pd.DataFrame({'Body': ['Here goes one example sentence that is generic',
                  'My car drives really fast and I have no brakes',
                  'Your car is slow and needs no brakes', 
                  'Your and my vehicle are both not as fast as the airplane']})

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

vectorizer = CountVectorizer(lowercase = True, analyzer = 'word')

data_vectorized = vectorizer.fit_transform(data.Body)
lda_model = LatentDirichletAllocation(n_components=4, 
                                      learning_method='online', 
                                      random_state=0,
                                      verbose=1)
lda_topic_matrix = lda_model.fit_transform(data_vectorized)

问题：如何按主题过滤文档？如果是这样，文档可以有多个主题标签，还是需要一个阈值？

最后，我喜欢用“1”标记每个文档，这取决于它是否具有高负载的主题 2 和主题 3，否则为“0”。

Answer 1

lda_topic_matrix 包含文档属于特定 topic/tag 的概率分布。在人类中，这意味着每一行总和为 1，而每个索引处的值是该文档属于特定主题的概率。因此，每个文档确实具有所有主题标签，但程度不同。如果您有 4 个主题，则所有标签均等的文档将在 lda_topic_matrix 中有一个对应的行，类似于 [0.25, 0.25, 0.25, 0.25]。并且只有一个主题（“0”）的文档行将变成 [0.97, 0.01, 0.01, 0.01] 并且具有两个主题（“1”和“2”）的文档将有一个分布 [0.01, 0.54, 0.44, 0.01]

所以最简单的做法就是select概率最高的题目，看是2还是3：

main_topic_of_document = np.argmax(lda_topic_matrix, axis=1)
tagged = ((main_topic_of_document==2) | (main_topic_of_document==3)).astype(np.int64)

This article 很好地解释了 LDA 的内部机制。

TopicModel：如何通过主题模型"topic"查询文档？

TopicModel: How to query documents by topic model "topic"?

python

scikit-learn

lda

topic-modeling