Add LDA.py

Author: Harold-Ran

LDA/LDA.py

@@ -0,0 +1,187 @@
+#coding=utf-8
+#Author:Harold
+#Date:2021-1-27
+#Email:[email protected]
+
+'''
+数据集：bbc_text
+数据集数量：2225
+-----------------------------
+运行结果：
+    话题数：5
+    原始话题：'tech', 'business', 'sport', 'entertainment', 'politics'
+    生成话题：
+        1：'said game england would time first back play last good'
+        2：'said year would economy growth also economic bank government could'
+        3：'said year games sales company also market last firm 2004'
+        4：'film said music best also people year show number digital'
+        5：'said would people government labour election party blair could also'
+    运行时长：7620.51s    
+'''
+
+import numpy as np
+import pandas as pd
+import string
+from nltk.corpus import stopwords
+import time
+
+
+#定义加载数据的函数
+def load_data(file, K):
+    '''
+    INPUT:
+    file - (str) 数据文件的路径
+    K - (int) 设定的话题数
+    
+    OUTPUT:
+    org_topics - (list) 原始话题标签列表
+    text - (list) 文本列表
+    words - (list) 单词列表
+    alpha - (list) 话题概率分布，模型超参数
+    beta - (list) 单词概率分布，模型超参数
+    
+    '''
+    df = pd.read_csv(file)  #读取文件
+    org_topics = df['category'].unique().tolist()  #保存文本原始的话题标签
+    M = df.shape[0]  #文本数
+    alpha = np.zeros(K)  #alpha是LDA模型的一个超参数，是对话题概率的预估计，这里取文本数据中各话题的比例作为alpha值，实际可以通过模型训练得到
+    beta = np.zeros(1000)  #beta是LDA模型的另一个超参数，是词汇表中单词的概率分布，这里取各单词在所有文本中的比例作为beta值，实际也可以通过模型训练得到
+    #计算各话题的比例作为alpha值
+    for k, topic in enumerate(org_topics):
+        alpha[k] = df[df['category'] == topic].shape[0] / M
+    df.drop('category', axis=1, inplace=True)
+    n = df.shape[0]  #n为文本数量
+    text = []
+    words = []
+    for i in df['text'].values:
+        t = i.translate(str.maketrans('', '', string.punctuation))  #去除文本中的标点符号
+        t = [j for j in t.split() if j not in stopwords.words('english')]  #去除文本中的停止词
+        t = [j for j in t if len(j) > 3]  #长度小于等于3的单词大多是无意义的，直接去除
+        text.append(t)  #将处理后的文本保存到文本列表中
+        words.extend(set(t))  #将文本中所包含的单词保存到单词列表中
+    words = list(set(words))  #去除单词列表中的重复单词
+    words_cnt = np.zeros(len(words))  #用来保存单词的出现频次
+    #循环计算words列表中各单词出现的词频
+    for i in range(len(text)):
+        t = text[i]  #取出第i条文本
+        for w in t:
+            ind = words.index(w)  #取出第i条文本中的第t个单词在单词列表中的索引
+            words_cnt[ind] += 1  #对应位置的单词出现频次加一
+    sort_inds = np.argsort(words_cnt)[::-1]  #对单词出现频次降序排列后取出其索引值
+    words = [words[ind] for ind in sort_inds[:1000]]  #将出现频次前1000的单词保存到words列表
+    #去除文本text中不在词汇表words中的单词
+    for i in range(len(text)):
+        t = []
+        for w in text[i]:
+            if w in words:
+                ind = words.index(w)
+                t.append(w)
+                beta[ind] += 1  #统计各单词在文本中的出现频次
+        text[i] = t
+    beta /= np.sum(beta)  #除以文本的总单词数得到各单词所占比例，作为beta值
+    return org_topics, text, words, alpha, beta
+
+
+#定义潜在狄利克雷分配函数，采用收缩的吉布斯抽样算法估计模型的参数theta和phi
+def do_lda(text, words, alpha, beta, K, iters):
+    '''
+    INPUT:
+    text - (list) 文本列表
+    words - (list) 单词列表
+    alpha - (list) 话题概率分布，模型超参数
+    beta - (list) 单词概率分布，模型超参数
+    K - (int) 设定的话题数
+    iters - (int) 设定的迭代次数
+    
+    OUTPUT:
+    theta - (array) 话题的条件概率分布p(zk|dj)，这里写成p(zk|dj)是为了和PLSA模型那一章的符号统一一下，方便对照着看
+    phi - (array) 单词的条件概率分布p(wi|zk)
+    
+    '''
+    M = len(text)  #文本数
+    V = len(words)  #单词数
+    N_MK = np.zeros((M, K))  #文本-话题计数矩阵
+    N_KV = np.zeros((K, V))  #话题-单词计数矩阵
+    N_M = np.zeros(M)  #文本计数向量
+    N_K = np.zeros(K)  #话题计数向量
+    Z_MN = []  #用来保存每条文本的每个单词所在位置处抽样得到的话题
+    #算法20.2的步骤(2)，对每个文本的所有单词抽样产生话题，并进行计数
+    for m in range(M):
+        zm = []
+        t = text[m]
+        for n, w in enumerate(t):
+            v = words.index(w)
+            z = np.random.randint(K)
+            zm.append(z)
+            N_MK[m, z] += 1
+            N_M[m] += 1
+            N_KV[z, v] += 1
+            N_K[z] += 1
+        Z_MN.append(zm)
+    #算法20.2的步骤(3)，多次迭代进行吉布斯抽样
+    for i in range(iters):
+        print('{}/{}'.format(i+1, iters))
+        for m in range(M):
+            t = text[m]
+            for n, w in enumerate(t):
+                v = words.index(w)
+                z = Z_MN[m][n]
+                N_MK[m, z] -= 1
+                N_M[m] -= 1
+                N_KV[z][v] -= 1
+                N_K[z] -= 1
+                p = []  #用来保存对K个话题的条件分布p(zi|z_i,w,alpha,beta)的计算结果
+                sums_k = 0  
+                for k in range(K):
+                    p_zk = (N_KV[k][v] + beta[v]) * (N_MK[m][k] + alpha[k])  #话题zi=k的条件分布p(zi|z_i,w,alpha,beta)的分子部分
+                    sums_v = 0
+                    sums_k += N_MK[m][k] + alpha[k]  #累计(nmk + alpha_k)在K个话题上的和
+                    for t in range(V):
+                        sums_v += N_KV[k][t] + beta[t]  #累计(nkv + beta_v)在V个单词上的和
+                    p_zk /= sums_v
+                    p.append(p_zk)
+                p = p / sums_k
+                p = p / np.sum(p)  #对条件分布p(zi|z_i,w,alpha,beta)进行归一化，保证概率的总和为1
+                new_z = np.random.choice(a=K, p=p)  #根据以上计算得到的概率进行抽样，得到新的话题
+                Z_MN[m][n] = new_z  #更新当前位置处的话题为上面抽样得到的新话题
+                #更新计数
+                N_MK[m, new_z] += 1
+                N_M[m] += 1
+                N_KV[new_z, v] += 1
+                N_K[new_z] += 1
+    #算法20.2的步骤(4)，利用得到的样本计数，估计模型的参数theta和phi
+    theta = np.zeros((M, K))
+    phi = np.zeros((K, V))
+    for m in range(M):
+        sums_k = 0
+        for k in range(K):
+            theta[m, k] = N_MK[m][k] + alpha[k]  #参数theta的分子部分
+            sums_k += theta[m, k]  #累计(nmk + alpha_k)在K个话题上的和，参数theta的分母部分
+        theta[m] /= sums_k  #计算参数theta
+    for k in range(K):
+        sums_v = 0
+        for v in range(V):
+            phi[k, v] = N_KV[k][v] + beta[v]  #参数phi的分子部分
+            sums_v += phi[k][v]  #累计(nkv + beta_v)在V个单词上的和，参数phi的分母部分
+        phi[k] /= sums_v  #计算参数phi
+    return theta, phi
+
+
+if __name__ == "__main__":
+    K = 5  #设定话题数为5
+    org_topics, text, words, alpha, beta = load_data('bbc_text.csv', K)  #加载数据
+    print('Original Topics:')
+    print(org_topics)  #打印原始的话题标签列表
+    start = time.time()  #保存开始时间
+    iters = 10  #为了避免运行时间过长，这里只迭代10次，实际上10次是不够的，要迭代足够的次数保证吉布斯抽样进入燃烧期，这样得到的参数才能尽可能接近样本的实际概率分布
+    theta, phi = do_lda(text, words, alpha, beta, K, iters)  #LDA的吉布斯抽样
+    #打印出每个话题zk条件下出现概率最大的前10个单词，即P(wi|zk)在话题zk中最大的10个值对应的单词，作为对话题zk的文本描述
+    for k in range(K):
+        sort_inds = np.argsort(phi[k])[::-1]  #对话题zk条件下的P(wi|zk)的值进行降序排列后取出对应的索引值
+        topic = []  #定义一个空列表用于保存话题zk概率最大的前10个单词
+        for i in range(10):
+            topic.append(words[sort_inds[i]])  
+        topic = ' '.join(topic)  #将10个单词以空格分隔，构成对话题zk的文本表述
+        print('Topic {}: {}'.format(k+1, topic))  #打印话题zk
+    end = time.time()
+    print('Time:', end-start)