使用 Gensim 获得 LDA 模型的最佳主题数量的最佳方法是啥？

Posted 2023-02-19

技术标签:

【中文标题】使用 Gensim 获得 LDA 模型的最佳主题数量的最佳方法是啥？【英文标题】：What is the best way to obtain the optimal number of topics for a LDA-Model using Gensim?使用 Gensim 获得 LDA 模型的最佳主题数量的最佳方法是什么？ 【发布时间】：2015-11-25 14:17:04 【问题描述】：

我正在尝试为 Gensim 中的 LDA 模型获取最佳主题数。我发现的一种方法是计算每个模型的对数似然度并相互比较，例如在The input parameters for using latent Dirichlet allocation

因此，我研究了使用 Gensim 计算 LDA 模型的对数似然，并发现了以下帖子：How do you estimate α parameter of a latent dirichlet allocation model?

这基本上表明 update_alpha() 方法实现了 Huang, Jonathan 中描述的方法。 Dirichlet分布参数的最大似然估计。我仍然不知道如何在不更改代码的情况下使用库获取此参数。

如何使用 Gensim 从 LDA 模型中获得对数似然？

有没有更好的方法来使用 Gensim 获得最佳主题数量？

【问题讨论】：

您可以在此处找到有关“最佳”主题数量的答案：***.com/questions/31729227/…。从本质上讲，您所说的最佳主题数量取决于您希望在数据中看到什么。你找到可能性了吗？ 【参考方案1】：

一般的经验法则是创建跨不同主题编号的 LDA 模型，然后检查 Jaccard similarity 和每个主题的连贯性。在这种情况下，连贯性通过主题中高分词之间的语义相似度来衡量单个主题（这些词是否在文本语料库中同时出现）。以下将对最佳主题数量给出强烈的直觉。这应该是跳转到分层 Dirichlet 过程之前的基线，因为已发现该技术在实际应用中存在问题。

首先为您要考虑的各种主题编号创建模型和主题词的字典，在这种情况下，corpus 是已清理的标记，num_topics 是您要考虑的主题列表，@987654328 @ 是您希望在指标中考虑的每个主题的热门词数：

import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
from gensim.models import LdaModel, CoherenceModel
from gensim import corpora

dirichlet_dict = corpora.Dictionary(corpus)
bow_corpus = [dirichlet_dict.doc2bow(text) for text in corpus]

# Considering 1-15 topics, as the last is cut off
num_topics = list(range(16)[1:])
num_keywords = 15

LDA_models = 
LDA_topics = 
for i in num_topics:
    LDA_models[i] = LdaModel(corpus=bow_corpus,
                             id2word=dirichlet_dict,
                             num_topics=i,
                             update_every=1,
                             chunksize=len(bow_corpus),
                             passes=20,
                             alpha='auto',
                             random_state=42)

    shown_topics = LDA_models[i].show_topics(num_topics=i, 
                                             num_words=num_keywords,
                                             formatted=False)
    LDA_topics[i] = [[word[0] for word in topic[1]] for topic in shown_topics]

现在创建一个函数来导出两个主题的 Jaccard 相似度：

def jaccard_similarity(topic_1, topic_2):
    """
    Derives the Jaccard similarity of two topics

    Jaccard similarity:
    - A statistic used for comparing the similarity and diversity of sample sets
    - J(A,B) = (A ∩ B)/(A ∪ B)
    - Goal is low Jaccard scores for coverage of the diverse elements
    """
    intersection = set(topic_1).intersection(set(topic_2))
    union = set(topic_1).union(set(topic_2))
                    
    return float(len(intersection))/float(len(union))

通过考虑下一个主题，使用上述推导跨主题的平均稳定性：

LDA_stability = 
for i in range(0, len(num_topics)-1):
    jaccard_sims = []
    for t1, topic1 in enumerate(LDA_topics[num_topics[i]]): # pylint: disable=unused-variable
        sims = []
        for t2, topic2 in enumerate(LDA_topics[num_topics[i+1]]): # pylint: disable=unused-variable
            sims.append(jaccard_similarity(topic1, topic2))    
        
        jaccard_sims.append(sims)    
    
    LDA_stability[num_topics[i]] = jaccard_sims
                
mean_stabilities = [np.array(LDA_stability[i]).mean() for i in num_topics[:-1]]

gensim 有一个用于topic coherence 的内置模型（这使用'c_v' 选项）：

coherences = [CoherenceModel(model=LDA_models[i], texts=corpus, dictionary=dirichlet_dict, coherence='c_v').get_coherence()\
              for i in num_topics[:-1]]

从这里大致通过每个主题数量的连贯性和稳定性之间的差异得出理想的主题数量：

coh_sta_diffs = [coherences[i] - mean_stabilities[i] for i in range(num_keywords)[:-1]] # limit topic numbers to the number of keywords
coh_sta_max = max(coh_sta_diffs)
coh_sta_max_idxs = [i for i, j in enumerate(coh_sta_diffs) if j == coh_sta_max]
ideal_topic_num_index = coh_sta_max_idxs[0] # choose less topics in case there's more than one max
ideal_topic_num = num_topics[ideal_topic_num_index]

最后将这些指标跨主题编号绘制成图表：

plt.figure(figsize=(20,10))
ax = sns.lineplot(x=num_topics[:-1], y=mean_stabilities, label='Average Topic Overlap')
ax = sns.lineplot(x=num_topics[:-1], y=coherences, label='Topic Coherence')

ax.axvline(x=ideal_topic_num, label='Ideal Number of Topics', color='black')
ax.axvspan(xmin=ideal_topic_num - 1, xmax=ideal_topic_num + 1, alpha=0.5, facecolor='grey')

y_max = max(max(mean_stabilities), max(coherences)) + (0.10 * max(max(mean_stabilities), max(coherences)))
ax.set_ylim([0, y_max])
ax.set_xlim([1, num_topics[-1]-1])
                
ax.axes.set_title('Model Metrics per Number of Topics', fontsize=25)
ax.set_ylabel('Metric Level', fontsize=20)
ax.set_xlabel('Number of Topics', fontsize=20)
plt.legend(fontsize=20)
plt.show()

您的理想主题数量将根据 Jaccard 相似性最大限度地提高连贯性并最大限度地减少主题重叠。在这种情况下，我们似乎可以安全地选择 14 左右的主题编号。

【讨论】：

谁能多谈谈分层狄利克雷过程在实践中存在的问题？您选择的主题数也只是最大一致性分数。不是每次都这样吗？【参考方案2】：

虽然我不能特别评论 Gensim，但我可以就优化您的主题提出一些一般性建议。

正如您所说，使用对数似然是一种方法。另一种选择是在模型生成过程中保留一组文档，并在模型完成时根据它们推断主题并检查它是否有意义。

你可以尝试一个完全不同的方法是分层Dirichlet过程，这种方法可以动态查找语料库中的主题数，无需指定。

关于如何最好地指定参数和评估您的主题模型的论文有很多，这取决于您的经验水平，这些可能对您有利，也可能对您不利：

Rethinking LDA: Why Priors Matter, Wallach, H.M., Mimno, D. 和 McCallum, A.

Evaluation Methods for Topic Models, Wallach H.M., Murray, I., Salakhutdinov, R. 和 Mimno, D.

另外，这里是关于分层狄利克雷过程的论文：

Hierarchical Dirichlet Processes, Teh, Y.W., Jordan, M.I., Beal, M.J. 和 Blei, D.M.

【讨论】：