Gensim中動態(tài)主題模型之dtmmodel的使用

　　>import gensim

　　import jieba

　　import pandas as pd

　　from gensim import corpora,models

　　from gensim.models.wrappers import DtmModel

　　from gensim.corpora import Dictionary

　　from collections import defaultdict

　　gensim模塊中的動態(tài)主題模型并不在官方所提供的代碼里。想要使用動態(tài)主題模型，必須先下載保存在github上的二進制文件，這個文件有適合linux、win和darwin使用的版本，可直接下載，很方便。

　　　　文本要求

　　根據(jù)我的理解，簡單來說，動態(tài)主題模型就是一種動態(tài)調(diào)參的LDA主題模型，通常將時間線分為幾個等長的時間片。因此按照gensim里的這個模型要求，你必須先把整個事件片里的文本整合到一起，簡而言之，就是你最后放到模型里跑的那個文本列表的長度，必須等于你把時間線分成的段數(shù)。

　　我在使用的時候，一共八個月，被我分為了八段，所以你最后的corpus的這個list的len也要是8

　　分詞處理

　　接下來，你需要先對你需要分析的文本進行分詞處理，我使用的代碼如下：

　　train = []#儲存分詞結(jié)果的list

　　for line in comment:

　　line = line.strip()

　　line = "".join(line.split())

　　if not len(line):#判斷是否為空行

　　continue

　　outstr = ' '

　　seg_list =jieba.cut(line)

　　for word in seg_list:

　　if word not in stopword:

　　if word != '\t' and word != u'\u200b' and word != '～':

　　outstr += word

　　outstr += " "

　　train.append(outstr.strip().split(" "))

　　得到train后，還可以篩選掉低頻的單詞：

　　frenquecy = defaultdict(int)

　　for patch in train:

　　for token in patch:

　　frenquecy[token] += 1

　　train = [[token for token in patch if frenquecy[token] > threshold]

　　for patch in train]

　　然后把分詞結(jié)果向量化：

　　dic = Dictionary(train)

　　corpus = [dic.doc2bow(text) for text in train]

　　這里需要用doc2bow函數(shù)把分詞結(jié)果轉(zhuǎn)化為bow格式的向量list

　　dtm模型構(gòu)建

　　可以先去官網(wǎng)看一下，看不懂英文的chrome翻一下就好了

　　class gensim.models.wrappers.dtmmodel.DtmModel(dtm_path，corpus = None，time_slices = None，mode ='fit'，model ='dtm'，num_topics = 100，id2word = None，prefix = None，lda_sequence_min_iter = 6，lda_sequence_max_iter = 20，lda_max_em_iter = 10，alpha = 0.01，top_chain_var = 0.005，rng_seed = 0，initialize_lda = True )

　　dtm_path(str) - dtm二進制文件的路徑，例如/ home / username / dtm / dtm / main。

　　corpus(iterable of (int ，int )的迭代) - BoW格式的文本集合。

　　time_slices(int的列表) - 時間戳序列。

　　mode({'fit' ，'time'} ，可選) - 控制模式的模式：'fit'用于訓(xùn)練，'time'用于根據(jù)DTM分析文檔，基本上是一組。

　　model({'fixed' ，'dtm'} ，可選) - 將運行的控制模型：'fixed'用于DIM，'dtm'用于DTM。

　　num_topics(int ，optional) - 主題數(shù)。

　　id2word(Dictionary，可選) -令牌ID和從胼字之間的映射，如果不是指定的-將被從推斷語料庫。

　　prefix(str ，optional) - 生成的臨時文件的前綴。

　　lda_sequence_min_iter(int ，optional) - LDA的最小迭代次數(shù)。

　　lda_sequence_max_iter(int ，optional) - LDA的最大迭代次數(shù)。

　　lda_max_em_iter(int ，optional) - LDA中的最大em優(yōu)化迭代。

　　alpha(int ，optional) - 超參數(shù)，它影響每個時間片中LDA模型的文檔主題的稀疏性。

　　top_chain_var(int ，optional) - 影響的超參數(shù)。

　　rng_seed(int ，optional) - 隨機種子。

　　initialize_lda(bool ，optional) - 如果為True - 使用LDA初始化DTM

　　這里的第一個參數(shù)dtm_path，就是指放置你下載的二進制文件的位置。

　　整個函數(shù)中，最玄幻的參數(shù)就是這個time_slices。源代碼中要求，sum(time_slices)要等于你時間片的個數(shù)，即len(corpus)，但是這個實際上可以有無數(shù)種組合，可是官方文檔里并沒有寫具體這個參數(shù)會對模型有什么樣的影響，我也沒搞懂，就只能使用官方文檔例子的寫法time_slices = [1] * len(corpus)

　　其他參數(shù)可以使用函數(shù)的默認值，也可以自己慢慢調(diào)整。

　　根據(jù)官方文檔中說的，模型有兩種模式，一種是fit，一種是time。fit完全正常運行，但是time這個模式是根據(jù)時間戳進行分析的模式，可見這是我們想要的模式。但是在實際調(diào)用時卻出現(xiàn)問題：

　　問題1

　　會告訴你某一個函數(shù)返回了非0值，報錯。根據(jù)錯誤提示，我們一直找到gensim中的utils.py中的1916行，把這里改成：

　　try:無錫人流多少錢 http://www.bhnfkyy.com/

　　error = subprocess.CalledProcessError(retcode,cmd)

　　except Exception:

　　error = None

　　問題2

　　接下來還會報錯，會告訴你各種模型所需要的文件均不存在。我用了好久才明白是怎么回事，原來這個模式自己并不會生成這些初始化的文件，而是需要先運行一次fit模式，再使用fit模式初始化的文件來運行time模型，但是源代碼里并沒有寫這個部分，導(dǎo)致運行失敗，因此修改源代碼dtmmodel.py中的164行:

　　if corpus is not None:

　　if self.mode == 'time':

　　print("time mode")

　　self.train(corpus, time_slices, 'fit', model)

　　self.train(corpus, time_slices, mode , model)

　　elif self.mode == 'fit':

　　print("train mode")

　　self.train(corpus, time_slices, mode , model)a

　　這樣，就能正常運行time模式。代碼如下：

　　model = DtmModel(path_to_dtm_binary,corpus = corpus,time_slices=time_slice,

　　id2word=dic,num_topics = num_topics,alpha = alpha,mode='time')

　　查看的得到的主題：

　　model.show_topics(num_topics = 10,times=1)

　　其他使用方法看官方文檔就好了