LDA之主题模型原理解析与python实现

LDA(Latent dirichlet allocation)是有Blei于2003年提出的三层贝叶斯主题模型，通过无监督的学习方法发现文本中隐含的主题信息，

目的是要以无指导学习的方法从文本中发现隐含的语义维度-即“Topic”或者“Concept”。

隐性语义分析的实质是要利用文本中词项(term)的共现特征来发现文本的Topic结构，这种方法不需要任何关于文本的背景知识。

文本的隐性语义表示可以对“一词多义”和“一义多词”的语言现象进行建模，这使得搜索引擎系统得到的搜索结果与用户的query在语义层次上match，而不是仅仅只是在词汇层次上出现交集。

 

文档、主题以及词可以表示为下图：

 

LDA参数：

• K为主题个数
• M为文档总数
• 是第m个文档的单词总数。
•  是每个Topic下词的多项分布的Dirichlet先验参数
•   是每个文档下Topic的多项分布的Dirichlet先验参数。
• 是第m个文档中第n个词的主题
• 是m个文档中的第n个词。
• 剩下来的两个隐含变量和分别表示第m个文档下的Topic分布和第k个Topic下词的分布，前者是k维(k为Topic总数)向量，后者是v维向量（v为词典中term总数）

 

LDA生成过程：

所谓生成模型，就是说，

我们认为一篇文章的每个词都是通过“以一定概率选择了某个主题，并从这个主题中以一定概率选择某个词语”这样一个过程得到。

文档到主题服从多项式分布，主题到词服从多项式分布。

每一篇文档代表了一些主题所构成的一个概率分布，而每一个主题又代表了很多单词所构成的一个概率分布。

Gibbs Sampling学习LDA：

Gibbs Sampling 是Markov-Chain Monte Carlo算法的一个特例。

这个算法的运行方式是每次选取概率向量的一个维度，给定其他维度的变量值Sample当前维度的值。不断迭代，直到收敛输出待估计的参数。

• 初始时随机给文本中的每个单词分配主题
• 然后统计每个主题z下出现term t的数量以及每个文档m下出现主题z中的词的数量
• 每一轮计算，即排除当前词的主题分配，根据其他所有词的主题分配估计当前词分配各个主题的概率。
• 当得到当前词属于所有主题z的概率分布后，根据这个概率分布为该词sample一个新的主题。

然后用同样的方法不断更新下一个词的主题，直到发现每个文档下Topic分布和每个Topic下词的分布收敛，算法停止，输出待估计的参数和，最终每个单词的主题也同时得出。

实际应用中会设置最大迭代次数。每一次计算的公式称为Gibbs updating rule.

下面我们来推导LDA的联合分布和Gibbs updating rule。

用Gibbs Sampling 学习LDA参数的算法伪代码如下：

 

#-*- coding:utf-8 -*-  
import logging  
import logging.config  
import ConfigParser  
import numpy as np  
import random  
import codecs  
import os  
  
from collections import OrderedDict  
#获取当前路径  
path = os.getcwd()  
#导入日志配置文件  
logging.config.fileConfig("logging.conf")  
#创建日志对象  
logger = logging.getLogger()  
# loggerInfo = logging.getLogger("TimeInfoLogger")  
# Consolelogger = logging.getLogger("ConsoleLogger")  
  
#导入配置文件  
conf = ConfigParser.ConfigParser()  
conf.read("setting.conf")   
#文件路径  
trainfile = os.path.join(path,os.path.normpath(conf.get("filepath", "trainfile")))  
wordidmapfile = os.path.join(path,os.path.normpath(conf.get("filepath","wordidmapfile")))  
thetafile = os.path.join(path,os.path.normpath(conf.get("filepath","thetafile")))  
phifile = os.path.join(path,os.path.normpath(conf.get("filepath","phifile")))  
paramfile = os.path.join(path,os.path.normpath(conf.get("filepath","paramfile")))  
topNfile = os.path.join(path,os.path.normpath(conf.get("filepath","topNfile")))  
tassginfile = os.path.join(path,os.path.normpath(conf.get("filepath","tassginfile")))  
#模型初始参数  
K = int(conf.get("model_args","K"))  
alpha = float(conf.get("model_args","alpha"))  
beta = float(conf.get("model_args","beta"))  
iter_times = int(conf.get("model_args","iter_times"))  
top_words_num = int(conf.get("model_args","top_words_num"))  
class Document(object):  
    def __init__(self):  
        self.words = []  
        self.length = 0  
#把整个文档及真的单词构成vocabulary（不允许重复）  
class DataPreProcessing(object):  
    def __init__(self):  
        self.docs_count = 0  
        self.words_count = 0  
        #保存每个文档d的信息(单词序列，以及length)  
        self.docs = []  
        #建立vocabulary表，照片文档的单词  
        self.word2id = OrderedDict()  
    def cachewordidmap(self):  
        with codecs.open(wordidmapfile, 'w','utf-8') as f:  
            for word,id in self.word2id.items():  
                f.write(word +"\t"+str(id)+"\n")  
class LDAModel(object):  
    def __init__(self,dpre):  
        self.dpre = dpre #获取预处理参数  
        #  
        #模型参数  
        #聚类个数K，迭代次数iter_times,每个类特征词个数top_words_num,超参数α（alpha） β(beta)  
        #  
        self.K = K  
        self.beta = beta  
        self.alpha = alpha  
        self.iter_times = iter_times  
        self.top_words_num = top_words_num   
        #  
        #文件变量  
        #分好词的文件trainfile  
        #词对应id文件wordidmapfile  
        #文章-主题分布文件thetafile  
        #词-主题分布文件phifile  
        #每个主题topN词文件topNfile  
        #最后分派结果文件tassginfile  
        #模型训练选择的参数文件paramfile  
        #  
        self.wordidmapfile = wordidmapfile  
        self.trainfile = trainfile  
        self.thetafile = thetafile  
        self.phifile = phifile  
        self.topNfile = topNfile  
        self.tassginfile = tassginfile  
        self.paramfile = paramfile  
        # p,概率向量 double类型，存储采样的临时变量  
        # nw,词word在主题topic上的分布  
        # nwsum,每各topic的词的总数  
        # nd,每个doc中各个topic的词的总数  
        # ndsum,每各doc中词的总数  
        self.p = np.zeros(self.K)  
        # nw,词word在主题topic上的分布  
        self.nw = np.zeros((self.dpre.words_count,self.K),dtype="int")  
        # nwsum,每各topic的词的总数  
        self.nwsum = np.zeros(self.K,dtype="int")  
        # nd,每个doc中各个topic的词的总数  
        self.nd = np.zeros((self.dpre.docs_count,self.K),dtype="int")  
        # ndsum,每各doc中词的总数  
        self.ndsum = np.zeros(dpre.docs_count,dtype="int")  
        self.Z = np.array([ [0 for y in xrange(dpre.docs[x].length)] for x in xrange(dpre.docs_count)])        # M*doc.size()，文档中词的主题分布  
  
        #随机先分配类型，为每个文档中的各个单词分配主题  
        for x in xrange(len(self.Z)):  
            self.ndsum[x] = self.dpre.docs[x].length  
            for y in xrange(self.dpre.docs[x].length):  
                topic = random.randint(0,self.K-1)#随机取一个主题  
                self.Z[x][y] = topic#文档中词的主题分布  
                self.nw[self.dpre.docs[x].words[y]][topic] += 1  
                self.nd[x][topic] += 1  
                self.nwsum[topic] += 1  
  
        self.theta = np.array([ [0.0 for y in xrange(self.K)] for x in xrange(self.dpre.docs_count) ])  
        self.phi = np.array([ [ 0.0 for y in xrange(self.dpre.words_count) ] for x in xrange(self.K)])   
    def sampling(self,i,j):  
        #换主题  
        topic = self.Z[i][j]  
        #只是单词的编号，都是从0开始word就是等于j  
        word = self.dpre.docs[i].words[j]  
        #if word==j:  
        #    print 'true'  
        self.nw[word][topic] -= 1  
        self.nd[i][topic] -= 1  
        self.nwsum[topic] -= 1  
        self.ndsum[i] -= 1  
  
        Vbeta = self.dpre.words_count * self.beta  
        Kalpha = self.K * self.alpha  
        self.p = (self.nw[word] + self.beta)/(self.nwsum + Vbeta) * \  
                 (self.nd[i] + self.alpha) / (self.ndsum[i] + Kalpha)  
  
        #随机更新主题的吗  
        # for k in xrange(1,self.K):  
        #     self.p[k] += self.p[k-1]  
        # u = random.uniform(0,self.p[self.K-1])  
        # for topic in xrange(self.K):  
        #     if self.p[topic]>u:  
        #         break  
  
        #按这个更新主题更好理解，这个效果还不错  
        p = np.squeeze(np.asarray(self.p/np.sum(self.p)))  
        topic = np.argmax(np.random.multinomial(1, p))  
  
        self.nw[word][topic] +=1  
        self.nwsum[topic] +=1  
        self.nd[i][topic] +=1  
        self.ndsum[i] +=1  
        return topic  
    def est(self):  
        # Consolelogger.info(u"迭代次数为%s 次" % self.iter_times)  
        for x in xrange(self.iter_times):  
            for i in xrange(self.dpre.docs_count):  
                for j in xrange(self.dpre.docs[i].length):  
                    topic = self.sampling(i,j)  
                    self.Z[i][j] = topic  
        logger.info(u"迭代完成。")  
        logger.debug(u"计算文章-主题分布")  
        self._theta()  
        logger.debug(u"计算词-主题分布")  
        self._phi()  
        logger.debug(u"保存模型")  
        self.save()  
    def _theta(self):  
        for i in xrange(self.dpre.docs_count):#遍历文档的个数词  
            self.theta[i] = (self.nd[i]+self.alpha)/(self.ndsum[i]+self.K * self.alpha)  
    def _phi(self):  
        for i in xrange(self.K):  
            self.phi[i] = (self.nw.T[i] + self.beta)/(self.nwsum[i]+self.dpre.words_count * self.beta)  
    def save(self):  
        # 保存theta文章-主题分布  
        logger.info(u"文章-主题分布已保存到%s" % self.thetafile)  
        with codecs.open(self.thetafile,'w') as f:  
            for x in xrange(self.dpre.docs_count):  
                for y in xrange(self.K):  
                    f.write(str(self.theta[x][y]) + '\t')  
                f.write('\n')  
        # 保存phi词-主题分布  
        logger.info(u"词-主题分布已保存到%s" % self.phifile)  
        with codecs.open(self.phifile,'w') as f:  
            for x in xrange(self.K):  
                for y in xrange(self.dpre.words_count):  
                    f.write(str(self.phi[x][y]) + '\t')  
                f.write('\n')  
        # 保存参数设置  
        logger.info(u"参数设置已保存到%s" % self.paramfile)  
        with codecs.open(self.paramfile,'w','utf-8') as f:  
            f.write('K=' + str(self.K) + '\n')  
            f.write('alpha=' + str(self.alpha) + '\n')  
            f.write('beta=' + str(self.beta) + '\n')  
            f.write(u'迭代次数  iter_times=' + str(self.iter_times) + '\n')  
            f.write(u'每个类的高频词显示个数  top_words_num=' + str(self.top_words_num) + '\n')  
        # 保存每个主题topic的词  
        logger.info(u"主题topN词已保存到%s" % self.topNfile)  
  
        with codecs.open(self.topNfile,'w','utf-8') as f:  
            self.top_words_num = min(self.top_words_num,self.dpre.words_count)  
            for x in xrange(self.K):  
                f.write(u'第' + str(x) + u'类：' + '\n')  
                twords = []  
                twords = [(n,self.phi[x][n]) for n in xrange(self.dpre.words_count)]  
                twords.sort(key = lambda i:i[1], reverse= True)  
                for y in xrange(self.top_words_num):  
                    word = OrderedDict({value:key for key, value in self.dpre.word2id.items()})[twords[y][0]]  
                    f.write('\t'*2+ word +'\t' + str(twords[y][1])+ '\n')  
        # 保存最后退出时，文章的词分派的主题的结果  
        logger.info(u"文章-词-主题分派结果已保存到%s" % self.tassginfile)  
        with codecs.open(self.tassginfile,'w') as f:  
            for x in xrange(self.dpre.docs_count):  
                for y in xrange(self.dpre.docs[x].length):  
                    f.write(str(self.dpre.docs[x].words[y])+':'+str(self.Z[x][y])+ '\t')  
                f.write('\n')  
        logger.info(u"模型训练完成。")  
# 数据预处理，即：生成d（）单词序列，以及词汇表  
def preprocessing():  
    logger.info(u'载入数据......')  
    with codecs.open(trainfile, 'r','utf-8') as f:  
        docs = f.readlines()  
    logger.debug(u"载入完成,准备生成字典对象和统计文本数据...")  
    # 大的文档集  
    dpre = DataPreProcessing()  
    items_idx = 0  
    for line in docs:  
        if line != "":  
            tmp = line.strip().split()  
            # 生成一个文档对象：包含单词序列（w1,w2,w3,,,,,wn）可以重复的  
            doc = Document()  
            for item in tmp:  
                if dpre.word2id.has_key(item):# 已有的话，只是当前文档追加  
                    doc.words.append(dpre.word2id[item])  
                else:  # 没有的话，要更新vocabulary中的单词词典及wordidmap  
                    dpre.word2id[item] = items_idx  
                    doc.words.append(items_idx)  
                    items_idx += 1  
            doc.length = len(tmp)  
            dpre.docs.append(doc)  
        else:  
            pass  
    dpre.docs_count = len(dpre.docs) # 文档数  
    dpre.words_count = len(dpre.word2id) # 词汇数  
    logger.info(u"共有%s个文档" % dpre.docs_count)  
    dpre.cachewordidmap()  
    logger.info(u"词与序号对应关系已保存到%s" % wordidmapfile)  
    return dpre  
def run():  
    # 处理文档集，及计算文档数，以及vocabulary词的总个数，以及每个文档的单词序列  
    dpre = preprocessing()  
    lda = LDAModel(dpre)  
    lda.est()  
if __name__ == '__main__':  
    run()

 

 

 

本文来自于：

LDA主题模型原理解析与python实现、LDA数学八卦

谢谢博主