python - LDA gensim实现，两个不同文档之间的距离

Question

编辑:我在这里发现了一个有趣的问题。 This link表明 gensim 在训练和推理步骤中都使用了随机性。所以这里建议的是设置一个固定的种子，以便每次都能得到相同的结果。但是，为什么我对每个主题的概率都相同？

我想做的是为每个推特用户找到她的主题，并根据主题的相似性计算推特用户之间的相似度。是否有可能为 gensim 中的每个用户计算相同的主题，或者我是否必须计算主题字典并对每个用户主题进行聚类？

一般来说，基于 gensim 中的主题模型提取来比较两个 Twitter 用户的最佳方法是什么？我的代码如下:

   def preprocess(id): #Returns user word list (or list of user tweet)

        user_list =  user_corpus(id, 'user_'+str(id)+'.txt')
        documents = []
        for line in open('user_'+str(id)+'.txt'):
                 documents.append(line)
        #remove stop words
        lines = [line.rstrip() for line in open('stoplist.txt')]
        stoplist= set(lines)  
        texts = [[word for word in document.lower().split() if word not in stoplist]
                   for document in documents]
        # remove words that appear only once
        all_tokens = sum(texts, [])
        tokens_once = set(word for word in set(all_tokens) if all_tokens.count(word) < 3)
        texts = [[word for word in text if word not in tokens_once]
                   for text in texts]
        words = []
        for text in texts:
            for word in text:
                words.append(word)

        return words


    words1 = preprocess(14937173)
    words2 = preprocess(15386966)
    #Load the trained model
    lda = ldamodel.LdaModel.load('tmp/fashion1.lda')
    dictionary = corpora.Dictionary.load('tmp/fashion1.dict') #Load the trained dict

    corpus = [dictionary.doc2bow(words1)]
    tfidf = models.TfidfModel(corpus)
    corpus_tfidf = tfidf[corpus]
    corpus_lda = lda[corpus_tfidf]

    list1 = []
    for item in corpus_lda:
      list1.append(item)

    print lda.show_topic(0)
    corpus2 = [dictionary.doc2bow(words2)]
    tfidf2 = models.TfidfModel(corpus2)
    corpus_tfidf2 = tfidf2[corpus2]
    corpus_lda2 = lda[corpus_tfidf2]

    list2 = []
    for it in corpus_lda2:
      list2.append(it)

    print corpus_lda.show_topic(0)  

返回用户语料库的主题概率(当使用用户词列表作为语料库时):

 [(0, 0.10000000000000002), (1, 0.10000000000000002), (2, 0.10000000000000002),
  (3, 0.10000000000000002), (4, 0.10000000000000002), (5, 0.10000000000000002),
  (6, 0.10000000000000002), (7, 0.10000000000000002), (8, 0.10000000000000002),
  (9, 0.10000000000000002)]

在我使用用户推文列表的情况下，我会返回每条推文的计算主题。

问题 2:以下是否有意义:使用之前计算的 LDA 模型，使用多个 Twitter 用户训练 LDA 模型并为每个用户(使用每个用户语料库)计算主题？

在提供的示例中，list[0] 返回概率为 0.1 的主题分布。基本上，每一行文本对应一条不同的推文。如果我用 corpus = [dictionary.doc2bow(text) for text in texts] 计算语料库，它会分别给出每条推文的概率。另一方面，如果我像示例一样使用 corpus = [dictionary.doc2bow(words)]，我将只将所有用户词作为语料库。在第二种情况下，gensim 为所有主题返回相同的概率。因此，对于这两个用户，我得到了相同的主题分布。

用户文本语料库应该是单词列表还是句子列表(推文列表)？

关于twitterRank approach中七和、翁建树的执行情况在第 264 页，它说:我们将各个推特用户发布的推文汇总到一个大文档中。因此，每个文档对应一个 twitterer。好吧，我很困惑，如果文档是所有用户的推文，那么语料库应该包含什么？？

Answer 1

根据官方文档 Latent Dirichlet Allocation，LDA 是从词袋计数到低维主题空间的转换。

可以在TFIDF之上使用LSI，但不能使用LDA。如果你在 LDA 上使用 TFIDF，那么它会生成几乎相同的每个主题，你可以打印并查看。

另见 https://radimrehurek.com/gensim/tut2.html .