LDA gensim实现,两个不同文档之间的距离

Question

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,以便每次都得到相同的结果.为什么我会为每个主题获得相同的概率？

我想要做的是为每个Twitter用户找到她的主题,并根据主题的相似性计算Twitter用户之间的相似性.是否有可能为gensim中的每个用户计算相同的主题,或者我是否必须计算主题词典并对每个用户主题进行聚类？

一般来说,哪个是基于gensim中的主题模型提取来比较两个Twitter用户的最佳方法？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(当用作语料库时,用户词列表):

 [(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,我会收到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,培训具有多个Twitter用户的LDA模型并为每个用户(使用每个用户语料库)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,每行文本都对应不同的推文.如果我用corpus = [dictionary.doc2bow(text) for text in texts]它来计算语料库,它将分别给出每个推文的概率.另一方面,如果我corpus = [dictionary.doc2bow(words)]像示例一样使用,我将只有所有用户词作为语料库.在第二种情况下,gensim为所有主题返回相同的概率.因此,对于这两个用户,我得到相同的主题分布.

用户文本语料库应该是单词列表还是句子列表(推文列表)？

关于在第264页的twitterRank方法中Qi He和Jianshu Weng的实现,它说:我们将个人twitterer发布的推文聚合成一个大文档.因此,每个文档对应于twitterer.好吧我很困惑,如果文件将是所有用户推文那么语料库应包含什么？

Answer 1

请参阅此处的以下建议。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。