5

编辑：我在这里发现了一个有趣的问题。此链接显示 gensim 在训练和推理步骤中都使用随机性。所以这里建议的是设置一个固定的种子，以便每次都能得到相同的结果。但是，为什么我对每个主题都得到相同的概率？

我想做的是为每个推特用户找到她的主题，并根据主题的相似性计算推特用户之间的相似度。是否有可能为 gensim 中的每个用户计算相同的主题，还是我必须计算一个主题字典并聚类每个用户主题？

一般来说，基于 gensim 中的主题模型提取比较两个 twitter 用户的最佳方法是什么？我的代码如下：

   def preprocess(id): #Returns user word list (or list of user tweet)

        user_list =  user_corpus(id, 'user_'+str(id)+'.txt')
        documents = []
        for line in open('user_'+str(id)+'.txt'):
                 documents.append(line)
        #remove stop words
        lines = [line.rstrip() for line in open('stoplist.txt')]
        stoplist= set(lines)  
        texts = [[word for word in document.lower().split() if word not in stoplist]
                   for document in documents]
        # remove words that appear only once
        all_tokens = sum(texts, [])
        tokens_once = set(word for word in set(all_tokens) if all_tokens.count(word) < 3)
        texts = [[word for word in text if word not in tokens_once]
                   for text in texts]
        words = []
        for text in texts:
            for word in text:
                words.append(word)

        return words


    words1 = preprocess(14937173)
    words2 = preprocess(15386966)
    #Load the trained model
    lda = ldamodel.LdaModel.load('tmp/fashion1.lda')
    dictionary = corpora.Dictionary.load('tmp/fashion1.dict') #Load the trained dict

    corpus = [dictionary.doc2bow(words1)]
    tfidf = models.TfidfModel(corpus)
    corpus_tfidf = tfidf[corpus]
    corpus_lda = lda[corpus_tfidf]

    list1 = []
    for item in corpus_lda:
      list1.append(item)

    print lda.show_topic(0)
    corpus2 = [dictionary.doc2bow(words2)]
    tfidf2 = models.TfidfModel(corpus2)
    corpus_tfidf2 = tfidf2[corpus2]
    corpus_lda2 = lda[corpus_tfidf2]

    list2 = []
    for it in corpus_lda2:
      list2.append(it)

    print corpus_lda.show_topic(0)

返回用户语料库的主题概率（当使用用户词列表作为语料库时）：

 [(0, 0.10000000000000002), (1, 0.10000000000000002), (2, 0.10000000000000002),
  (3, 0.10000000000000002), (4, 0.10000000000000002), (5, 0.10000000000000002),
  (6, 0.10000000000000002), (7, 0.10000000000000002), (8, 0.10000000000000002),
  (9, 0.10000000000000002)]

在我使用用户推文列表的情况下，我会返回每条推文的计算主题。

问题 2：以下是否有意义：使用之前计算的 LDA 模型，用几个 twitter 用户训练 LDA 模型并为每个用户（每个用户语料库）计算主题？

在提供的示例中，list[0]返回具有相等概率 0.1 的主题分布。基本上，每一行文本对应一条不同的推文。如果我用它计算语料库，corpus = [dictionary.doc2bow(text) for text in texts]它将分别给我每条推文的概率。另一方面，如果我corpus = [dictionary.doc2bow(words)]像示例一样使用，我将只使用所有用户词作为语料库。在第二种情况下， gensim 返回所有主题的相同概率。因此，对于两个用户，我都得到了相同的主题分布。

用户文本语料库应该是单词列表还是句子列表（推文列表）？

关于twitterRank 方法中 Qi He 和 Jianshu Weng 的实现在第 264 页中说：我们将个人 twitterer 发布的推文聚合成一个大文档。因此，每个文档对应一个twitterer。好的，我很困惑，如果文档将是所有用户推文，那么语料库应该包含什么？

4

2 回答 2

1

Fere Res 在此处检查以下建议。首先，您必须计算所有用户的 lda 模型，然后使用未知文档的提取向量，此处计算为

vec_bow = dictionary.doc2bow(doc.lower().split()) 
vec_lda = lda[vec_bow]

如果您打印以下内容：print(vec_lda) 您将获得未见过的文档到 lda 模型主题的分布。

于 2014-07-04T09:56:30.833 回答
1

根据官方文件 Latent Dirichlet Allocation，LDA 是从词袋计数到低维主题空间的转换。

您可以在 TFIDF 之上使用 LSI，但不能使用 LDA。如果你在 LDA 上使用 TFIDF，那么它会生成几乎相同的每个主题，你可以打印并检查它。

另请参阅https://radimrehurek.com/gensim/tut2.html。

于 2015-07-28T15:45:58.697 回答