python - gensim中的get_document_topics和get_term_topics

gensim中的ldamodel具有两种方法:get_document_topics和get_term_topics。

尽管在本gensim教程notebook中使用了它们，但我仍不完全了解如何解释get_term_topics的输出，并在下面创建了自包含的代码来显示我的意思:

from gensim import corpora, models

texts = [['human', 'interface', 'computer'],
 ['survey', 'user', 'computer', 'system', 'response', 'time'],
 ['eps', 'user', 'interface', 'system'],
 ['system', 'human', 'system', 'eps'],
 ['user', 'response', 'time'],
 ['trees'],
 ['graph', 'trees'],
 ['graph', 'minors', 'trees'],
 ['graph', 'minors', 'survey']]

# build the corpus, dict and train the model
dictionary = corpora.Dictionary(texts)
corpus = [dictionary.doc2bow(text) for text in texts]
model = models.ldamodel.LdaModel(corpus=corpus, id2word=dictionary, num_topics=2,
                                 random_state=0, chunksize=2, passes=10)

# show the topics
topics = model.show_topics()
for topic in topics:
    print topic
### (0, u'0.159*"system" + 0.137*"user" + 0.102*"response" + 0.102*"time" + 0.099*"eps" + 0.090*"human" + 0.090*"interface" + 0.080*"computer" + 0.052*"survey" + 0.030*"minors"')
### (1, u'0.267*"graph" + 0.216*"minors" + 0.167*"survey" + 0.163*"trees" + 0.024*"time" + 0.024*"response" + 0.024*"eps" + 0.023*"user" + 0.023*"system" + 0.023*"computer"')

# get_document_topics for a document with a single token 'user'
text = ["user"]
bow = dictionary.doc2bow(text)
print "get_document_topics", model.get_document_topics(bow)
### get_document_topics [(0, 0.74568415806946331), (1, 0.25431584193053675)]

# get_term_topics for the token user
print "get_term_topics: ", model.get_term_topics("user", minimum_probability=0.000001)
### get_term_topics:  [(0, 0.1124525558321441), (1, 0.006876306738765027)]

对于get_document_topics，输出是有意义的。这两个概率之和为1.0，而user具有较高概率的主题(来自model.show_topics())也具有较高的概率分配。

但是对于get_term_topics，存在一些问题:

概率之和不等于1.0，为什么？

从数字上讲，user具有较高概率的主题(来自model.show_topics())也分配了较高的数字，这个数字是什么意思？

当get_term_topics可以提供(貌似)相同的功能并具有有意义的输出时，为什么我们应该完全使用get_document_topics？

最佳答案

我正在从事LDA主题建模工作，并遇到了这篇文章。我确实创建了两个主题，分别说topic1和topic2。

每个主题的前10个字如下:0.009*"would" + 0.008*"experi" + 0.008*"need" + 0.007*"like" + 0.007*"code" + 0.007*"work" + 0.006*"think" + 0.006*"make" + 0.006*"one" + 0.006*"get0.027*"ierr" + 0.018*"line" + 0.014*"0.0e+00" + 0.010*"error" + 0.009*"defin" + 0.009*"norm" + 0.006*"call" + 0.005*"type" + 0.005*"de" + 0.005*"warn
最终，我拿出1个文档来确定最接近的主题。

for d in doc:
    bow = dictionary.doc2bow(d.split())
    t = lda.get_document_topics(bow)

输出为[(0, 0.88935698141006414), (1, 0.1106430185899358)]。

为了回答您的第一个问题，文档的概率总计为1.0，这就是get_document_topics所做的。该文档明确指出，它返回给定文档弓的主题分布，作为(topic_id，topic_probability)2元组的列表。

此外，我尝试获取关键字“ierr” 的get_term_topics
t = lda.get_term_topics("ierr", minimum_probability=0.000001)，结果是[(1, 0.027292299843400435)]，这仅是确定每个主题的单词贡献，这是有道理的。

因此，您可以根据使用get_document_topics获得的主题分布来标记文档，并可以根据get_term_topics提供的贡献来确定单词的重要性。

我希望这有帮助。

关于python - gensim中的get_document_topics和get_term_topics，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/43357247/