Gensim LDA 中的主题明智文档分布

Question

python 中有没有一种方法可以映射属于特定主题的文档。例如，主要是“主题 0”的文档列表。我知道有多种方法可以列出每个文档的主题，但我该怎么做呢？

编辑：

我正在为 LDA 使用以下脚本：

    doc_set = []
    for file in files:
        newpath = (os.path.join(my_path, file)) 
        newpath1 = textract.process(newpath)
        newpath2 = newpath1.decode("utf-8")
        doc_set.append(newpath2)

    texts = []
    for i in doc_set:
        raw = i.lower()
        tokens = tokenizer.tokenize(raw)
        stopped_tokens = [i for i in tokens if not i in stopwords.words()]
        stemmed_tokens = [p_stemmer.stem(i) for i in stopped_tokens]
        texts.append(stemmed_tokens)

    dictionary = corpora.Dictionary(texts)
    corpus = [dictionary.doc2bow(text) for text in texts]
    ldamodel = gensim.models.ldamodel.LdaModel(corpus, num_topics=2, random_state=0, id2word = dictionary, passes=1)

Answer 1

你有一个 tool/API (Gensim LDA)，当给定一个文档时，它会为你提供一个主题列表。

但您想要相反的结果：一个主题的文档列表。

基本上，您需要自己构建 reverse-mapping。

幸运的是，Python 用于处理映射的本机字典和习惯用法使这非常简单 - 只需几行代码 - 只要您使用的数据完全适合内存。

非常粗略的方法是：

创建新结构（dict 或 list）以将主题映射到 lists-of-documents
遍历所有文档，将它们（可能带有分数）添加到 topic-to-docs 映射
最后，针对每个感兴趣的主题查找（或许排序）那些 lists-of-docs

如果可以编辑您的问题以包含有关 documents/topics 的 format/IDs 以及您如何训练 LDA 模型的更多信息，则可以使用更具体的示例代码扩展此答案构建您需要的那种 reverse-mapping。

更新您的代码更新：

好的，如果您的模型在 ldamodel 中，而您的 BOW-formatted 文档在 corpus 中，您可以这样做：

# setup: get the model's topics in their native ordering...
all_topics = ldamodel.print_topics()
# ...then create a empty list per topic to collect the docs:
docs_per_topic = [[] for _ in all_topics]

# now, for every doc...
for doc_id, doc_bow in enumerate(corpus):
    # ...get its topics...
    doc_topics = ldamodel.get_document_topics(doc_bow)
    # ...& for each of its topics...
    for topic_id, score in doc_topics:
        # ...add the doc_id & its score to the topic's doc list
        docs_per_topic[topic_id].append((doc_id, score))

在此之后，您可以看到某个主题的所有 (doc_id, score) 值的列表，如下所示（对于主题 0）：

print(docs_per_topic[0])

如果您对每个主题的热门文档感兴趣，您可以进一步按得分对每个列表的对进行排序：

for doc_list in docs_per_topic:
    doc_list.sort(key=lambda id_and_score: id_and_score[1], reverse=True)

然后，您可以获得主题 0 的前 10 个文档，例如：

print(docs_per_topic[0][:10])

请注意，这一切都使用 all-in-memory 列表，这对于 very-large 语料库可能变得不切实际。在某些情况下，您可能需要将 per-topic 清单编译成 disk-backed 结构，例如文件或数据库。

Gensim LDA 中的主题明智文档分布

Topic wise document distribution in Gensim LDA

python

gensim

lda