Gensim-LDA主题模型实验

大家好，欢迎来到IT知识分享网。

本文利用gensim进行LDA主题模型实验，第一部分是基于前文的wiki语料，第二部分是基于Sogou新闻语料。

1. 基于wiki语料的LDA实验

上一文得到了wiki纯文本已分词语料 wiki.zh.seg.utf.txt，去停止词后可进行LDA实验。

import codecs from gensim.models import LdaModel from gensim.corpora import Dictionary train = stopwords = codecs.open('stopwords.txt','r',encoding='utf8').readlines
stopwords = [ w.strip() for w in stopwords ] fp = codecs.open('wiki.zh.seg.utf.txt','r',encoding='utf8') for line in fp: line = line.split train.append([ w for w in line if w not in stopwords ]) dictionary = corpora.Dictionary(train) corpus = [ dictionary.doc2bow(text) for text in train ] lda = LdaModel(corpus=corpus, id2word=dictionary, num_topics=100)

同时gensim也提供了对wiki压缩包直接进行抽取并保存为稀疏矩阵的脚本 make_wiki，可在bash运行下面命令查看用法。

python -m gensim.scripts.make_wiki #USAGE: make_wiki.py WIKI_XML_DUMP OUTPUT_PREFIX [VOCABULARY_SIZE] python -m gensim.scripts.make_wiki zhwiki-latest-pages-articles.xml.bz2 zhwiki

运行时间比较久，具体情况可以看gensim官网，结果如下，mm后缀表示Matrix Market格式保存的稀疏矩阵：

-rw-r--r-- 1 chenbingjin data 172M 7月 1 12:10 zhwiki_bow.mm -rw-r--r-- 1 chenbingjin data 1.3M 7月 1 12:10 zhwiki_bow.mm.index -rw-r--r-- 1 chenbingjin data 333M 7月 1 12:16 zhwiki_tfidf.mm -rw-r--r-- 1 chenbingjin data 1.3M 7月 1 12:16 zhwiki_tfidf.mm.index -rw-r--r-- 1 chenbingjin data 1.9M 7月 1 12:10 zhwiki_wordids.txt

利用 tfidf.mm 及wordids.txt 训练LDA模型

# -*- coding: utf-8 -*- from gensim import corpora, models # 语料导入 id2word = corpora.Dictionary.load_from_text('zhwiki_wordids.txt') mm = corpora.MmCorpus('zhwiki_tfidf.mm') # 模型训练，耗时28m lda = models.ldamodel.LdaModel(corpus=mm, id2word=id2word, num_topics=100)

模型结果

训练过程指定参数 num_topics=100, 即训练100个主题，通过print_topics 和print_topic 可查看各个主题下的词分布，也可通过save/load 进行模型保存加载。

# 打印前20个topic的词分布 lda.print_topics(20) # 打印id为20的topic的词分布 lda.print_topic(20) #模型的保存/ 加载 lda.save('zhwiki_lda.model') lda = models.ldamodel.LdaModel.load('zhwiki_lda.model')

对新文档，转换成bag-of-word后，可进行主题预测。

模型差别主要在于主题数的设置，以及语料本身，wiki语料是全领域语料，主题分布并不明显，而且这里使用的语料没有去停止词，得到的结果差强人意。

test_doc = list(jieba.cut(test_doc))　　 #新文档进行分词 doc_bow = id2word.doc2bow(test_doc) #文档转换成bow doc_lda = lda[doc_bow] #得到新文档的主题分布 #输出新文档的主题分布 print doc_lda for topic in doc_lda: print "%s\t%f\n"%(lda.print_topic(topic[0]), topic[1])

2. 基于Sogou新闻语料的LDA实验

Sogou实验室提供了很多中文语料的下载， 全网新闻数据(SogouCA)，来自若干新闻站点2012年6月—7月期间国内，国际，体育，社会，娱乐等18个频道的新闻数据，提供URL和正文信息。

数据转码处理，由于数据是Ascii文件，容易出现乱码情况，使用iconv命令转成utf8，由于XML文件处理时需要有顶级tag，这里使用sed 命令在文件的首行前插入<root>，在尾行后插入</root>

#!/bin/bash #将文件夹下的Ascii文件转成utf8 #Usage: ./iconv_encode.sh indir outdir #@chenbingjin 2016-07-01 function conv_encode { all=`ls ${indir}` for ffile in ${all} do ifile="${indir}${ffile}" ofile="${outdir}${ffile}" echo "iconv $ifile to $ofile" iconv -c -f gb2312 -t utf8 "$ifile" > "$ofile" sed -i '1i <root>' "$ofile" sed -i '$a </root>' "$ofile" done } if [ $# -ne 2 ]; then echo "Usage: ./iconv_encode.sh indir outdir" exit 1 fi indir=$1 outdir=$2 if [ ! -d $outdir ]; then echo "mkdir ${outdir}" mkdir $outdir fi time conv_encode

iconv_encode.sh

总共128个文件，存放在Sogou_data/ 文件夹下，使用iconv_encode.sh 进行处理，新文件保存在out文件夹，结果如下：

$ ./iconv_encode.sh Sogou_data/ out/ mkdir out/ iconv Sogou_data/news.allsites.010806.txt to out/news.allsites.010806.txt iconv Sogou_data/news.allsites.020806.txt to out/news.allsites.020806.txt iconv Sogou_data/news.allsites.030806.txt to out/news.allsites.030806.txt iconv Sogou_data/news.allsites.040806.txt to out/news.allsites.040806.txt ...... real 0m27.255s user 0m6.720s sys 0m8.924s

接下来需要对xml格式的数据进行预处理，这里使用lxml.etree，lxm是Python的一个html/xml解析并建立dom的库， 比python自带的XML解析快。

防止出现异常 XMLSyntaxError: internal error: Huge input lookup，设置XMLParser参数 huge_tree=True，详细见代码：

# -*- coding: utf-8 -*- import os import codecs import logging from lxml import etree logging.basicConfig(format='%(asctime)s : %(levelname)s : %(message)s', level=logging.INFO) ''' Sogou新闻语料预处理 @chenbingjin 2016-07-01 ''' train = # huge_tree=True, 防止文件过大时出错 XMLSyntaxError: internal error: Huge input lookup parser = etree.XMLParser(encoding='utf8',huge_tree=True) def load_data(dirname): global train files = os.listdir(dirname) for fi in files: logging.info("deal with "+fi) text = codecs.open(dirname+fi, 'r', encoding='utf8').read # xml自身问题，存在&符号容易报错, 用&代替 text = text.replace('&', '&') # 解析xml，提取新闻标题及内容 root = etree.fromstring(text, parser=parser) docs = root.findall('doc') for doc in docs: tmp = "" for chi in doc.getchildren: if chi.tag == "contenttitle" or chi.tag == "content": if chi.text != None and chi.text != "": tmp += chi.text if tmp != "": train.append(tmp)

preprocess.py

得到train训练语料后，分词并去停止词后，便可以进行LDA实验

from gensim.corpora import Dictionary from gensim.models import LdaModel stopwords = codecs.open('stopwords.txt','r',encoding='utf8').readlines
stopwords = [ w.strip() for w in stopwords ] train_set = for line in train: line = list(jieba.cut(line))
train_set.append([ w for w in line if w not in stopwords ]) # 构建训练语料 dictionary = Dictionary(train_set) corpus = [ dictionary.doc2bow(text) for text in train_set] # lda模型训练 lda = LdaModel(corpus=corpus, id2word=dictionary, num_topics=20) lda.print_topics(20)

实验结果：训练时间久，可以使用ldamulticore，整体效果还不错，可以看出08年新闻主题主要是奥运，地震，经济等

得到的LDA模型可用于主题预测，给定新的文档预测文档主题分布，可用于分类。训练文档中每个词会分配一个主题，有paper就将这种主题信息做Topic Word Embedding，一定程度上解决一词多义问题。

参考