scala - 将主题映射回 Spark LDA 中的文档

Question

我已将一些路透社新闻专线文章 (1986) 加载到 Spark 2.2 中，并希望使用 LDA 进行一些主题学习

+--------------------+--------------------+----+
|               title|                body|  id|
+--------------------+--------------------+----+
|FED SAYS IT SETS ...|                    |5434|
|MIM TO ACQUIRE ST...|Mount Isa Mines H...|5435|
|MAGNA <MAGAF> CRE...|Magna Internation...|5436|
|J.W. MAYS INC <MA...|Shr 2.27 dlrs vs ...|5437|

我已经设置了管道

val pipeline = new Pipeline().setStages(Array(tokenizer, stopWordsRemover, vectorizer, lda))

运行模型

val pipelineModel = pipeline.fit(corpus)

我可以使用访问LDA(EM)模型

val ldaModel = pipelineModel.stages(3).asInstanceOf[DistributedLDAModel]

我可以使用

查看主题

ldaModel.describeTopics(maxTermsPerTopic = 5).show()

经过一些 DF 操作后，它给出了主题及其相关术语和概率

+-------+----------+--------------------+
|topicId|      term|         probability|
+-------+----------+--------------------+
|      0|   company| 0.08715003585328869|
|      0|      corp| 0.03355461912220357|
|      0|     group|0.024083945559541863|
|      0|      unit|0.016712655949244752|
|      0|     stake| 0.01314416068270042|
|      1|      dlrs|   0.072961342546073|
|      1|      debt| 0.02826491264713813|
...

我想将主题分布映射回原始文档。回到 Spark 1.6，为了获取上面文档 (id=5435) 的主题分布，我将执行以下操作。但不再支持 topicDistributions。

 ldaModel.topicDistributions.filter(_._1 == 5435).collect

(Spark ML LDA API)确实列出了两种新方法，但我不清楚如何使用它们

 final val topicConcentration: DoubleParam

和 最终值 topicDistributionCol:Param[String]

有人这样做过吗？

Answer 1

我可能是错的，但看起来你只是想转换:

ldaModel.transform(corpus)