LDAvis提供了一种出色的可视化和探索主题模型的方法。LDAvis 需要 5 个参数：
- phi（维度数乘以主题数的矩阵）
- theta（具有维度的矩阵文档数乘以主题数）
- 每个文档的字数（整数向量）
- 词汇表（特征向量）
- 整个语料库中的词频（整数向量）
我的问题的简短版本是：在用 vowpal wabbit 拟合 LDA 模型后，如何导出 phi 和 theta？
theta 代表每个文档的主题混合，因此每个文档的总和必须为 1。phi 表示给定主题的术语的概率，因此每个主题的总和必须为 1。
在使用vowpal wabbit ( )运行 LDA 后，vw某种权重会存储在模型中。可以通过提供一个特殊文件来获得该模型的人类可读版本，词汇表中每个术语一个文档，同时停用学习（通过-t参数），例如
vw -t -i weights -d dictionary.vw --readable_model readable.model.txt
根据vowpal wabbit 的文档，所有列都期望readable.model.txt现在的第一个“代表每个单词的主题分布”。
您还可以使用vw, 即为文档集合生成预测
vw -t -i weights -d some-documents.txt -p predictions.txt
两者predictions.txt和readable.model.txt都有一个维度来反映输入（行）的数量和主题（列）的数量，它们都不是概率分布，因为它们的总和不等于 1（不是每行，也不是每列）。
我知道这vw不适合胆小的人，并且我需要一些编程/脚本，但我确信必须有某种方法从vw. 我已经被这个问题困扰了好几天了，请给我一些提示。