lda模型的python实现
- LDA（Latent Dirichlet Allocation）是一种文档主题生成模型，最近看了点资料，准备使用python实现一下。至于数学模型相关知识，某度一大堆，这里也给出之前参考过的一个挺详细的文档lda算法漫游指南
- 这篇博文只讲算法的sampling方法python实现。
- 完整实现项目开源python-LDA
-
lda模型变量申请及初始化
# #伪代码 # 输入：文章集合（分词处理后），K（类的个数） 输出：已经随机分派了一次的lda模型 begin 申请几个统计量： p 概率向量 维度:K nw 词在类上的分布 维度：M*K 其中M为文章集合的词的总个数 nwsum 每个类上的词的总数 维度:K nd 每篇文章中，各个类的词个数分布 维度：V*K 其中V为文章的总个数 ndsum 每篇文章中的词的总个数 维度：V Z 每个词分派一个类 维度：V*每篇文章词的个数 theta 文章->类的概率分布 维度：V*K phi 类->词的概率分布 维度：K*M #初始化随机分配类 for x in 文章数： 统计ndsum[文章id][词的个数] for y in 每篇文章的词个数： 给所有词随机分派一个类 词在此类上的分布数目+1 此文章中此类的词的个数+1 此类的总词数 +1 end
# #实现代码片段，更详细看github项目 # 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) self.nw = np.zeros((self.dpre.words_count,self.K),dtype="int") self.nwsum = np.zeros(self.K,dtype="int") self.nd = np.zeros((self.dpre.docs_count,self.K),dtype="int") 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 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) self.Z[x][y] = topic 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)])
-
sampling抽样过程
# #伪代码 # 输入：初始化后的lda_model,迭代次数iter_times，超参数α、β，聚类个数K 输出：theta(文章对应类的分布概率)，phi（类对应词的分布概率），tassgin（文章中每个词的分派类结果）,twords(每个类topN个高频词) begin for i in 迭代次数: for m in 文章个数： for v in 文章中词： 取topic = Z[m][v] 令nw[v][topic]、nwsum[topic]、nd[m][topic]的统计量均-1 计算概率p[] #p[]为此词属于每个topic的概率 for k in (1,类的个数-1): p[k] += p[k-1] 再随机分派一次，记录被分派的新的topic 令nw[v][new_topic]、nwsum[new_topic]、nd[m][new_topic]的统计量均+1 #迭代完成后 输出模型 end
#代码片段 def sampling(self,i,j): topic = self.Z[i][j] word = self.dpre.docs[i].words[j] 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) 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 self.nw[word][topic] +=1 self.nwsum[topic] +=1 self.nd[i][topic] +=1 self.ndsum[i] +=1 return topic
此实现为最基础的LDA模型实现，聚类个数K，和超参数的设置要靠人工输入，自动计算的版本会在以后研究。
