初试主题模型LDA-基于python的gensim包

Posted 2020-09-27

http://blog.csdn.net/a_step_further/article/details/51176959

LDA是文本挖掘中常用的主题模型，用来从大量文档中提取出最能表达各个主题的一些关键词，具体算法原理可参阅KM上相关文章。笔者因业务需求，需对腾讯微博上若干账号的消息进行主题提取，故而尝试了一下该算法，基于python的gensim包实现一个简单的分析。

准备工作

• 安装python的中文分词模块， jieba
• 安装python的文本主题建模的模块, gensim (官网 https://radimrehurek.com/gensim/)。 这个模块安装时依赖了一大堆其它包，需要耐心地一个一个安装。

• 到网络上下载中文停用词表

上代码

[python]

1. #!/usr/bin/python  
2. #coding:utf-8  
3. import sys  
4. reload(sys)  
5. sys.setdefaultencoding("utf8")  
6. import jieba  
7. from gensim import corpora, models  
8.   
9.   
10. def get_stop_words_set(file_name):  
11.     with open(file_name,‘r‘) as file:  
12.         return set([line.strip() for line in file])  
13.   
14. def get_words_list(file_name,stop_word_file):  
15.     stop_words_set = get_stop_words_set(stop_word_file)  
16.     print "共计导入 %d 个停用词" % len(stop_words_set)  
17.     word_list = []  
18.     with open(file_name,‘r‘) as file:  
19.         for line in file:  
20.             tmp_list = list(jieba.cut(line.strip(),cut_all=False))  
21.             word_list.append([term for term in tmp_list if str(term) not in stop_words_set]) #注意这里term是unicode类型，如果不转成str，判断会为假  
22.     return word_list  
23.   
24.   
25. if __name__ == ‘__main__‘:  
26.     if len(sys.argv) < 3:  
27.         print "Usage: %s <raw_msg_file> <stop_word_file>" % sys.argv[0]  
28.         sys.exit(1)  
29.   
30.     raw_msg_file = sys.argv[1]  
31.     stop_word_file = sys.argv[2]  
32.     word_list = get_words_list(raw_msg_file,stop_word_file) #列表，其中每个元素也是一个列表，即每行文字分词后形成的词语列表  
33.     word_dict = corpora.Dictionary(word_list)  #生成文档的词典，每个词与一个整型索引值对应  
34.     corpus_list = [word_dict.doc2bow(text) for text in word_list] #词频统计，转化成空间向量格式  
35.     lda = models.ldamodel.LdaModel(corpus=corpus_list,id2word=word_dict,num_topics=10,alpha=‘auto‘)  
36.   
37.     output_file = ‘./lda_output.txt‘  
38.     with open(output_file,‘w‘) as f:  
39.         for pattern in lda.show_topics():  
40.             print >> f, "%s" % str(pattern) 
    

另外还有一些学习资料：https://yq.aliyun.com/articles/26029 [python] LDA处理文档主题分布代码入门笔记