2

步骤1

我正在使用 R 和“topicmodels”包从 4.5k 文档语料库构建 LDA 模型。我做了通常的预处理步骤（停用词、削减低/高词频、词形还原），最终得到一个我很满意的 100 个主题模型。事实上，它几乎是满足我需求的完美模型。

justlda <- LDA(k=100, x=dtm_lemma, method="Gibbs", control=control_list_gibbs)

第2步

然后我使用与上述相同的精确过程对一个新的（模型看不到的）300 个文档语料库进行预处理，然后将其转换为文档术语矩阵，然后使用同一包的“后验”函数来预测主题新数据。该语料库来自同一作者，与训练集非常相似。

我的问题

我得到的预测（后验概率）是完全错误的。这是我用来获取后验的代码：

topics = posterior(justlda, dtm_lemma, control = control_list_gibbs)$topics
  • justlda 是在步骤 1 中使用整个语料库构建的模型。
  • dtm_lemma 是新数据的预处理文档术语矩阵。
  • 控制是 lda 参数（两者相同）。

我觉得不仅预测错误，主题权重也很低。没有什么是主导话题。（对于这个 100 个主题的模型，大多数主题都是 0.08，我很幸运得到了一个甚至不相关的 0.20 权重......）

我在 NLP/LDA 和 R 语言方面获得了不到一年的经验。我觉得我可能在某个地方犯了一个非常业余的错误，可以解释错误的预测？

这样的结果正常吗？我可能做错了什么？

4

1 回答 1

1

我不是 100% 确定你所说的“错误”是什么意思。我做了一个快速测试，看看是否posterior适用于新数据。首先，我使用数据集的所有文档运行一个模型AssociatedPress：

library(topicmodels)
data("AssociatedPress")
ap_lda <- LDA(AssociatedPress, k = 5, control = list(seed = 1234))

根据您的问题，我怀疑您正在查看此处每个文档最可能的主题。为了保持可比性，我建立了自己的方式来在这里找到这些，基于一些整洁的包：

library(tidytext)
library(dplyr)
library(tidyr)
ap_documents <- tidy(ap_lda, matrix = "gamma")
ap_documents %>% 
  group_by(document) %>% 
  top_n(1, gamma) %>% # keep only most likely topic
  arrange(document)
# A tibble: 2,246 x 3
# Groups:   document [2,246]
   document topic gamma
      <int> <int> <dbl>
 1        1     4 0.999
 2        2     2 0.529
 3        3     4 0.999
 4        4     4 0.518
 5        5     4 0.995
 6        6     2 0.971
 7        7     1 0.728
 8        8     2 0.941
 9        9     4 0.477
10       10     5 0.500
# ... with 2,236 more rows

现在我再次运行相同的 LDA，但保留前 10 个文档：

AssociatedPress_train <- AssociatedPress[11:nrow(AssociatedPress), ]
AssociatedPress_test <- AssociatedPress[1:10, ]

ap_lda <- LDA(AssociatedPress_train, k = 5, control = list(seed = 1234))

我posterior用来获取每个文档的 gamma 值，然后再次保留最有可能的值：

posterior(object = ap_lda, newdata = AssociatedPress_test)$topics %>%
  as_tibble() %>% 
  mutate(document = seq_len(nrow(.))) %>% 
  gather(topic, gamma, -document) %>% 
  group_by(document) %>% 
  top_n(1, gamma) %>% # keep only most probable topic
  arrange(document)
# A tibble: 10 x 3
# Groups:   document [10]
   document topic gamma
      <int> <chr> <dbl>
 1        1 4     0.898
 2        2 2     0.497
 3        3 4     0.896
 4        4 4     0.468
 5        5 4     0.870
 6        6 2     0.754
 7        7 1     0.509
 8        8 2     0.913
 9        9 4     0.476
10       10 2     0.399

除了文档 10 之外，所有文档都具有与以前相同的最可能主题。所以一切似乎都很好！所以我没有看到你的代码有直接的问题。

我没有测试过的一件事是，如果训练集和测试集的 DTM 具有不同的列会发生什么。我怀疑那会是个问题。

这是一个快速示例，说明您如何处理该问题：

text1 <- tibble(doc = 1, word = LETTERS[1:10])
text2 <- tibble(doc = 1, word = LETTERS[2:11])
dtm1 <- text1 %>%
  count(doc, word) %>%
  arrange(word) %>%
  cast_dtm(doc, word, n)

dtm2 <- text2 %>%
  count(doc, word) %>%
  arrange(word) %>%
  cast_dtm(doc, word, n)

all.equal(dtm1$dimnames$Terms, dtm2$dimnames$Terms)
[1] "10 string mismatches"

我制作了两个 DTM，其中第二个有一个额外的术语，而另一个缺少一个术语。因此，dimnames 是不同的。我们可以通过将 DTM 恢复为整洁的格式来使它们相等，删除多余的术语并在再次转换 DTM 之前添加缺失的术语：

dtm2_clean <- tidy(dtm2) %>% 
  filter(term %in% dtm1$dimnames$Terms) %>% 
  rbind(tibble(document = 1, 
               term = dtm1$dimnames$Terms, # adding term but no counts
               count = 0)) %>% 
  arrange(term) %>% 
  cast_dtm(document, term, count)

all.equal(dtm1$dimnames$Terms, dtm2_clean$dimnames$Terms)
[1] TRUE

您现在可以将其用作后验的新数据。

于 2019-03-18T00:58:46.493 回答