码迷,mamicode.com
首页 > 编程语言 > 详细

初试主题模型LDA-基于python的gensim包

时间:2017-07-07 13:13:39      阅读:642      评论:0      收藏:0      [点我收藏+]

标签:weight   .net   aliyun   key   sdn   中文分词   art   常用   mil   

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

初试主题模型LDA-基于python的gensim包

标签:weight   .net   aliyun   key   sdn   中文分词   art   常用   mil   

原文地址:http://www.cnblogs.com/flippedkiki/p/7131267.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!