标签：ref try 假设 领域 为我 org 不同 mod com
在文本主题模型之潜在语义索引(LSI)中，我们讲到LSI主题模型使用了奇异值分解，面临着高维度计算量太大的问题。这里我们就介绍另一种基于矩阵分解的主题模型：非负矩阵分解(NMF)，它同样使用了矩阵分解，但是计算量和处理速度则比LSI快，它是怎么做到的呢？
非负矩阵分解(non-negative matrix factorization，以下简称NMF)是一种非常常用的矩阵分解方法，它可以适用于很多领域，比如图像特征识别，语音识别等，这里我们会主要关注于它在文本主题模型里的运用。
回顾奇异值分解，它会将一个矩阵分解为三个矩阵：
如果降维到kk维，则表达式为：
但是NMF虽然也是矩阵分解，它却使用了不同的思路，它的目标是期望将矩阵分解为两个矩阵:
分解成两个矩阵是不是一定就比SVD省时呢？这里的理论不深究，但是NMF的确比SVD快。不过如果大家读过我写的矩阵分解在协同过滤推荐算法中的应用，就会发现里面的FunkSVD所用的算法思路和NMF基本是一致的，只不过FunkSVD聚焦于推荐算法而已。
那么如何可以找到这样的矩阵呢？这就涉及到NMF的优化思路了。
NMF期望找到这样的两个矩阵W,HW,H，使WHWH的矩阵乘积得到的矩阵对应的每个位置的值和原矩阵AA对应位置的值相比误差尽可能的小。用数学的语言表示就是：
如果完全用矩阵表示，则为：
其中，||?||Fro||?||Fro为Frobenius范数。
当然对于这个式子，我们也可以加上L1和L2的正则化项如下：
其中，αα为L1&L2正则化参数，而ρρ为L1正则化占总正则化项的比例。||?||1||?||1为L1范数。
我们要求解的有m?k+k?nm?k+k?n个参数。参数不少，常用的迭代方法有梯度下降法和拟牛顿法。不过如果我们决定加上了L1正则化的话就不能用梯度下降和拟牛顿法了。此时可以用坐标轴下降法或者最小角回归法来求解。scikit-learn中NMF的库目前是使用坐标轴下降法来求解的，，即在迭代时，一次固定m?k+k?n?1m?k+k?n?1个参数，仅仅最优化一个参数。这里对优化求W,HW,H的过程就不再写了，如果大家对坐标轴下降法不熟悉，参看之前写的这一篇Lasso回归算法： 坐标轴下降法与最小角回归法小结。
回到我们本文的主题，NMF矩阵分解如何运用到我们的主题模型呢？
此时NMF可以这样解释：我们输入的有m个文本，n个词，而AijAij对应第i个文本的第j个词的特征值，这里最常用的是基于预处理后的标准化TF-IDF值。k是我们假设的主题数，一般要比文本数少。NMF分解后，WikWik对应第i个文本的和第k个主题的概率相关度，而HkjHkj对应第j个词和第k个主题的概率相关度。
当然也可以反过来去解释：我们输入的有m个词，n个文本，而AijAij对应第i个词的第j个文本的特征值，这里最常用的是基于预处理后的标准化TF-IDF值。k是我们假设的主题数，一般要比文本数少。NMF分解后，WikWik对应第i个词的和第k个主题的概率相关度，而HkjHkj对应第j个文本和第k个主题的概率相关度。
注意到这里我们使用的是"概率相关度"，这是因为我们使用的是"非负"的矩阵分解，这样我们的W,HW,H矩阵值的大小可以用概率值的角度去看。从而可以得到文本和主题的概率分布关系。第二种解释用一个图来表示如下：
和LSI相比，我们不光得到了文本和主题的关系，还得到了直观的概率解释，同时分解速度也不错。当然NMF由于是两个矩阵，相比LSI的三矩阵，NMF不能解决词和词义的相关度问题。这是一个小小的代价。
在 scikit-learn中，NMF在sklearn.decomposition.NMF包中，它支持L1和L2的正则化，而W,HW,H的求解使用坐标轴下降法来实现。
NMF需要注意的参数有：
1） n_components：即我们的主题数k, 选择k值需要一些对于要分析文本主题大概的先验知识。可以多选择几组k的值进行NMF，然后对结果人为的进行一些验证。
2） init : 用于帮我们选择W,HW,H迭代初值的算法， 默认是None,即自动选择值，不使用选择初值的算法。如果我们对收敛速度不满意，才需要关注这个值，从scikit-learn提供的算法中选择一个合适的初值选取算法。
3）alpha: 即我们第三节中的正则化参数αα,需要调参。开始建议选择一个比较小的值，如果发现效果不好在调参增大。
4) l1_ratio： 即我们第三节中的正则化参数ρρ,L1正则化的比例，仅在α>0α>0时有效，需要调参。开始建议不使用，即用默认值0, 如果对L2的正则化不满意再加上L1正则化。
从上面可见，使用NMF的关键参数在于主题数的选择n_components和正则化的两个超参数α,ρα,ρ。
此外，WW矩阵一般在调用fit_transform方法的返回值里获得，而HH矩阵则保存在NMF类的components_成员中。
下面我们给一个例子，我们有4个词，5个文本组成的矩阵，需要找出这些文本和隐含的两个主题之间的关系。代码如下：
完整代码参见我的github:https://github.com/ljpzzz/machinelearning/blob/master/natural-language-processing/nmf.ipynb
import numpy as np X = np.array([[1,1,5,2,3], [0,6,2,1,1], [3, 4,0,3,1], [4, 1,5,6,3]]) from sklearn.decomposition import NMF model = NMF(n_components=2, alpha=0.01)
现在我们看看分解得到的W,HW,H：
W = model.fit_transform(X) H = model.components_ print W print H
结果如下：
[[ 1.67371185 0.02013017] [ 0.40564826 2.17004352] [ 0.77627836 1.5179425 ] [ 2.66991709 0.00940262]] [[ 1.32014421 0.40901559 2.10322743 1.99087019 1.29852389] [ 0.25859086 2.59911791 0.00488947 0.37089193 0.14622829]]
从结果可以看出， 第1,3,4,5个文本和第一个隐含主题更相关，而第二个文本与第二个隐含主题更加相关。如果需要下一个结论，我们可以说，第1,3,4,5个文本属于第一个隐含主题，而第二个问题属于第2个隐含主题。
虽然我们是在主题模型里介绍的NMF，但实际上NMF的适用领域很广，除了我们上面说的图像处理，语音处理，还包括信号处理与医药工程等，是一个普适的方法。在这些领域使用NMF的关键在于将NMF套入一个合适的模型，使得W,HW,H矩阵都可以有明确的意义。这里给一个图展示NMF在做语音处理时的情形：
NMF作为一个漂亮的矩阵分解方法，它可以很好的用于主题模型，并且使主题的结果有基于概率分布的解释性。但是NMF以及它的变种pLSA虽然可以从概率的角度解释了主题模型，却都只能对训练样本中的文本进行主题识别，而对不在样本中的文本是无法识别其主题的。根本原因在于NMF与pLSA这类主题模型方法没有考虑主题概率分布的先验知识，比如文本中出现体育主题的概率肯定比哲学主题的概率要高，这点来源于我们的先验知识，但是无法告诉NMF主题模型。而LDA主题模型则考虑到了这一问题，目前来说，绝大多数的文本主题模型都是使用LDA以及其变体。下一篇我们就来讨论LDA主题模型。
转载自 文本主题模型之非负矩阵分解(NMF) - 刘建平Pinard - 博客园 https://www.cnblogs.com/pinard/p/6812011.html
标签：ref try 假设 领域 为我 org 不同 mod com
原文地址：https://www.cnblogs.com/hx868/p/10063244.html
