python - 具有短槌困惑性的Gensim主题建模

我正在为哈佛图书馆的书名和主题建模。

我使用Gensim Mallet Wrapper和Mallet的LDA进行建模。
当我尝试获取Coherence和Perplexity值以查看模型的性能如何时，出现以下异常时无法计算出困惑度。
如果我使用Gensim的内置LDA模型而不是Mallet，则不会出现相同的错误。
我的语料库保存着7M +个文档，平均长度为50个单词，平均20个。所以文档很短。

以下是我的代码的相关部分：

# TOPIC MODELING

from gensim.models import CoherenceModel
num_topics = 50

# Build Gensim's LDA model
lda_model = gensim.models.ldamodel.LdaModel(corpus=corpus,
                                       id2word=id2word,
                                       num_topics=num_topics,
                                       random_state=100,
                                       update_every=1,
                                       chunksize=100,
                                       passes=10,
                                       alpha='auto',
                                       per_word_topics=True)

# Compute Perplexity
print('\nPerplexity: ', lda_model.log_perplexity(corpus))
# a measure of how good the model is. lower the better.

困惑：-47.91929228302663

# Compute Coherence Score
coherence_model_lda = CoherenceModel(model=lda_model,
texts=data_words_trigrams, dictionary=id2word, coherence='c_v')
coherence_lda = coherence_model_lda.get_coherence()
print('\nCoherence Score: ', coherence_lda)

相干分数：0.28852857563541856

LDA给出的分数没有问题。现在，我用MALLET为相同的单词模型

# Building LDA Mallet Model
mallet_path = '~/mallet-2.0.8/bin/mallet' # update this path
ldamallet = gensim.models.wrappers.LdaMallet(mallet_path,
corpus=corpus, num_topics=num_topics, id2word=id2word)

# Convert mallet to gensim type
mallet_model =
gensim.models.wrappers.ldamallet.malletmodel2ldamodel(ldamallet)

# Compute Coherence Score
coherence_model_ldamallet = CoherenceModel(model=mallet_model,
texts=data_words_trigrams, dictionary=id2word, coherence='c_v')
coherence_ldamallet = coherence_model_ldamallet.get_coherence()
print('\nCoherence Score: ', coherence_ldamallet)

相干分数：0.5994123896865993

然后，我要求提供“困惑度”值，并获得以下警告和NaN值。

# Compute Perplexity
print('\nPerplexity: ', mallet_model.log_perplexity(corpus))

  /app/app-py3/lib/python3.5/site-packages/gensim/models/ldamodel.py:1108：
  RuntimeWarning：乘分数+ =中遇到无效值
  np.sum（（self.eta-_lambda）* Elogbeta）

  困惑：难

  /app/app-py3/lib/python3.5/site-packages/gensim/models/ldamodel.py:1109：
  RuntimeWarning：减去分数时遇到无效值+ =
  np.sum（gammaln（_lambda）-gammaln（self.eta））

我意识到这是一个非常特定于Gensim的问题，需要对此功能有更深入的了解：
     gensim.models.wrappers.ldamallet.malletmodel2ldamodel（ldamallet）

因此，对于警告和Gensim域的任何评论，我将不胜感激。

最佳答案

我不认为为Mallet包装器实现了困惑功能。如Radims answer中所述，困惑会显示到标准输出：

事发后，Mallet显示出对标准输出的困惑-对您来说足够了吗？也可以以编程方式捕获这些值，但是我没有对此进行研究。希望Mallet也有一些API调用来评估复杂性，但是包装中肯定没有包含它。

我只是在样本语料库上运行了它，实际上，LL / token确实每隔这么多次迭代就被打印一次：

LL /令牌：-9.45493

困惑= 2 ^（-LL / token）= 701.81