栏目分类:
子分类:
返回
名师互学网用户登录
快速导航关闭
当前搜索
当前分类
子分类
实用工具
热门搜索
名师互学网 > IT > 软件开发 > 后端开发 > Python

python LDA主题模型

Python 更新时间: 发布时间: IT归档 最新发布 模块sitemap 名妆网 法律咨询 聚返吧 英语巴士网 伯小乐 网商动力

python LDA主题模型

准备数据

使用路透社新闻数据的一个子集:R8,包含8类新闻。
本文直接读取清洗后的R8,清洗内容包含:去掉特殊字符,标点符号,停用词和低频词,且英文文本不需要分词。

doc_list = []
f = open('R8.clean.txt', 'r')
lines = f.readlines()
for line in lines:
    doc_list.append(line.strip())
f.close()

print(doc_list[0])
champion products approves stock split champion products inc said board directors approved two one stock split common shares shareholders record april company also said board voted recommend shareholders annual meeting april increase authorized capital stock five mln mln shares reuter
LDA主题模型准备
import gensim
from gensim import corpora
from gensim.models.ldamodel import LdaModel
from gensim.corpora import Dictionary

# 文本需要拆成单词,每一个文本用单词列表表示,才可输入后面的字典函数
texts = [doc.split(' ') for doc in doc_list]
print(texts[0])

# 生成id_word 字典,每个单词对应一个id
dictionary = Dictionary(texts)

# 对字典中的单词进行筛选
dictionary.filter_extremes(no_below=1,
                          no_above=0.5, # 去掉出现在50%以上文章中的单词
                          keep_n=3000) # 去前3000个高频单词

# 将文档转化成词袋(记录文档中有哪些单词以及每个词出现的次数)
corpus = [dictionary.doc2bow(text) for text in texts]

# 模型训练
lda_model = LdaModel(corpus=corpus,
                      id2word=dictionary,
                      num_topics=8,# 主题数量
                      passes=20) # 类似于在机器学习中常见的epoch,也就是训练了多少轮

topic_words = lda_model.print_topics(num_topics=8, num_words=50) # 输出这个模型的各个主题下的主题词
print(topic_words[0]) # 展示第一个主题的主题词
['champion', 'products', 'approves', 'stock', 'split', 'champion', 'products', 'inc', 'said', 'board', 'directors', 'approved', 'two', 'one', 'stock', 'split', 'common', 'shares', 'shareholders', 'record', 'april', 'company', 'also', 'said', 'board', 'voted', 'recommend', 'shareholders', 'annual', 'meeting', 'april', 'increase', 'authorized', 'capital', 'stock', 'five', 'mln', 'mln', 'shares', 'reuter']
(0, '0.066*"billion" + 0.038*"pct" + 0.024*"year" + 0.019*"p" + 0.016*"profit" + 0.015*"stg" + 0.014*"group" + 0.013*"ltd" + 0.012*"plc" + 0.011*"profits" + 0.010*"company" + 0.009*"marks" + 0.009*"l" + 0.009*"u" + 0.008*"francs" + 0.008*"tax" + 0.008*"k" + 0.008*"last" + 0.007*"turnover" + 0.007*"rose" + 0.006*"net" + 0.006*"total" + 0.006*"sales" + 0.005*"rise" + 0.005*"statement" + 0.005*"kong" + 0.005*"dividend" + 0.005*"cents" + 0.005*"hong" + 0.004*"january" + 0.004*"ag" + 0.004*"february" + 0.004*"issue" + 0.004*"owned" + 0.004*"fell" + 0.004*"business" + 0.004*"pre" + 0.004*"operating" + 0.004*"new" + 0.004*"yen" + 0.004*"capital" + 0.004*"making" + 0.004*"five" + 0.004*"surplus" + 0.004*"figures" + 0.004*"parent" + 0.004*"interest" + 0.004*"guilders" + 0.004*"pretax" + 0.004*"increase"')
可视化(notebook中才可显示)
import pyLDAvis
import matplotlib.pyplot as plt
import pyLDAvis.gensim
pyLDAvis.enable_notebook()
vis = pyLDAvis.gensim.prepare(lda_model,corpus,dictionary)
vis
转载请注明:文章转载自 www.mshxw.com
本文地址:https://www.mshxw.com/it/887265.html
我们一直用心在做
关于我们 文章归档 网站地图 联系我们

版权所有 (c)2021-2022 MSHXW.COM

ICP备案号:晋ICP备2021003244-6号