LDA gensim实现，两个不同文档之间的距离

编辑：我发现这里有一个有趣的问题。 该链接显示gensim在训练和推理步骤中都使用随机性。 所以它在这里建议的是设置一个固定的种子，以便每次获得相同的结果。 为什么我要为每个主题获取相同的概率？

我想要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，或者是否必须计算主题词典并聚集每个用户主题？

总的来说，在gensim中基于主题模型提取来比较两个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（将用户词语列表用作语料库时）：

 [(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，我得到每个推文的计算主题。

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

在提供的例子中， list[0]返回等概率0.1的主题分布。 基本上，每行文本都对应不同的推文。 如果我使用corpus = [dictionary.doc2bow(text) for text in texts]来计算语料库，它会分别给出每条推文的概率。 另一方面，如果我像例子一样使用corpus = [dictionary.doc2bow(words)] ，我将所有的用户词作为语料库。 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，我获得相同的主题分布。

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：我们将由个人推特员发布的推文汇总成一个大文档。 因此，每个文档对应于一个推特者。 好吧，我很困惑，如果文档将所有用户推文那么该文集应该包含什么？

---

Fere Res在这里检查以下建议。 首先，您必须从所有用户计算lda模型，然后使用提取的未知文档的向量，这是在这里计算的

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

如果您打印以下内容： print(vec_lda)您将看到将未见文档分发给lda模型主题。

---

根据官方文件，Latent Dirichlet Allocation，LDA是一个从袋式计数转换为低维主题空间的转换。

您可以在TFIDF的顶部使用LSI，但不能使用LDA。 如果您在LDA上使用TFIDF，那么它会生成每个主题几乎相同的，您可以打印并检查它。

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

链接地址: http://www.djcxy.com/p/21279.html

上一篇: LDA gensim implementation, distance between two different docs

下一篇: html5