python - TopicModel : How to query documents by topic model "topic"?

下面我创建了一个完整的可重现示例来计算给定 DataFrame 的主题模型。

import numpy as np
import pandas as pd

data = pd.DataFrame({'Body': ['Here goes one example sentence that is generic',
                  'My car drives really fast and I have no brakes',
                  'Your car is slow and needs no brakes',
                  'Your and my vehicle are both not as fast as the airplane']})

from sklearn.decomposition import LatentDirichletAllocation
from sklearn.feature_extraction.text import CountVectorizer

vectorizer = CountVectorizer(lowercase = True, analyzer = 'word')

data_vectorized = vectorizer.fit_transform(data.Body)
lda_model = LatentDirichletAllocation(n_components=4,
                                      learning_method='online',
                                      random_state=0,
                                      verbose=1)
lda_topic_matrix = lda_model.fit_transform(data_vectorized)

问题: 如何按主题过滤文档？如果是这样，文档是否可以有多个主题标签，或者是否需要阈值？

最后，我喜欢用“1”标记每个文档，这取决于它是否具有主题 2 和主题 3 的高负载，否则为“0”。

最佳答案

lda_topic_matrix 包含文档属于特定主题/标签的概率分布。在人类中，这意味着每行总和为 1，而每个索引处的值是该文档属于特定主题的概率。因此，每个文档确实具有不同程度的所有主题标签。如果您有 4 个主题，则所有标签均等的文档在 lda_topic_matrix 中将有一个对应的行，类似于[0.25, 0.25, 0.25, 0.25] 。并且只有单个主题(“0”)的文档行将变成类似 [0.97, 0.01, 0.01, 0.01] 的内容，而具有两个主题(“1”和“2”)的文档将具有类似 [0.01, 0.54, 0.44, 0.01] 的分布

所以最简单的方法是选择概率最高的主题，并检查它是 2 还是 3 :

main_topic_of_document = np.argmax(lda_topic_matrix, axis=1)
tagged = ((main_topic_of_document==2) | (main_topic_of_document==3)).astype(np.int64)

This article 很好地解释了 LDA 的内部机制。

关于python - TopicModel : How to query documents by topic model "topic"?，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/51448833/