在文本挖掘中，我们经常收集一些文档集合，例如博客文章或新闻文章，我们希望将其分成组，以便我们可以分别理解它们。主题建模是对这些文档进行无监督分类的一种方法，类似于对数字数据进行聚类，即使我们不确定要查找什么，也可以找到分组。
潜在狄利克雷分配（LDA）是拟合主题模型特别流行的方法。它将每个文档视为主题的混合体，并将每个主题看作是单词的混合体。这允许文档在内容方面相互“重叠”，而不是分离成离散的组，以反映自然语言的典型用法。
结合主题建模的文本分析流程图。topicmodels包采用Document-Term Matrix作为输入，并生成一个可以通过tidytext进行处理的模型，以便可以使用dplyr和ggplot2对其进行处理和可视化。
潜在狄利克雷分配潜在Dirichlet分配是主题建模中最常用的算法之一。没有深入模型背后的数学，我们可以理解它是由两个原则指导的。
每个文档都是主题的混合体。我们设想每个文档可能包含来自几个主题的文字，并有一定的比例。例如，在双主题模型中，我们可以说“文档1是90％的主题A和10％的主题B，而文档2是30％的主题A和70％的主题B.”
每个主题都是词汇的混合。例如，我们可以想象一个新闻的两个主题模型，一个话题是“体育”，一个是“娱乐”。体育话题中最常见的词语可能是“篮球”，“足球”和“游泳“，而娱乐主题可以由诸如”电影“，”电视“和”演员“之类的词组成。重要的是，话题可以在话题之间共享; 像“奥运冠军”这样的词可能同时出现在两者中。
LDA是一种同时估计这两种情况的数学方法：查找与每个主题相关的单词集合，同时确定描述每个文档的主题分组。这个算法有很多现有的实现，我们将深入探讨其中的一个。
library(topicmodels)
data("AssociatedPress")
AssociatedPress
: term frequency (tf)我们可以使用LDA()topicmodels包中的函数设置k = 2来创建两个主题的LDA模型。
实际上几乎所有的主题模型都会使用更大的模型k，但我们很快就会看到，这种分析方法可以扩展到更多的主题。
此函数返回一个包含模型拟合完整细节的对象，例如单词如何与主题关联以及主题如何与文档关联。
# # 设置随机种子，使模型的输出是可重复的 ap_lda <- LDA(AssociatedPress,k =2,control =list(seed =1234)) ap_lda
拟合模型是“简单部分”：分析的其余部分将涉及使用tidytext软件包中的函数来探索和解释模型。
单词主题概率tidytext包提供了这种方法来提取每个主题的每个词的概率，称为β。
## # A tibble: 20,946 x 3 ## topic term beta ## 1 1 aaron 1.69e-12 ## 2 2 aaron 3.90e- 5 ## 3 1 abandon 2.65e- 5 ## 4 2 abandon 3.99e- 5 ## 5 1 abandoned 1.39e- 4 ## 6 2 abandoned 5.88e- 5 ## 7 1 abandoning 2.45e-33 ## 8 2 abandoning 2.34e- 5 ## 9 1 abbott 2.13e- 6 ## 10 2 abbott 2.97e- 5 ## # ... with 20,936 more rows
这种可视化让我们了解从文章中提取的两个主题。话题1中最常见的词语包括“百分比”，“百万”，“十亿”和“公司”，这表明它可能代表商业或财务新闻。话题2中最常见的包括“总统”，“政府”，表示这个话题代表政治新闻。关于每个主题中的单词的一个重要观察是，在这两个主题中，诸如“新”和“人”等一些词语是常见的。与“硬聚类”方法相反，这是话题建模的优势：自然语言中使用的话题可能存在一些重叠。
我们可以认为最大的区别是两个主题之间β差异最大的词。
## # A tibble: 198 x 4 ## term topic1 topic2 log_ratio ## ## 1 administration 0.000431 0.00138 1.68 ## 2 ago 0.00107 0.000842 -0.339 ## 3 agreement 0.000671 0.00104 0.630 ## 4 aid 0.0000476 0.00105 4.46 ## 5 air 0.00214 0.000297 -2.85 ## 6 american 0.00203 0.00168 -0.270 ## 7 analysts 0.00109 0.000000578 -10.9 ## 8 area 0.00137 0.000231 -2.57 ## 9 army 0.000262 0.00105 2.00 ## 10 asked 0.000189 0.00156 3.05 ## # ... with 188 more rows
图显示了这两个主题之间差异最大的词。
我们可以看到，话题2中更常见的词包括“民主”和“共和党”等政党等政治家的名字。主题1的特点是“日元”和“美元”等货币以及“指数”，“价格”和“利率”等金融术语。这有助于确认算法确定的两个主题是政治和财务新闻。
文档 - 主题概率除了将每个主题评估为单词集合之外，LDA还将每个文档建模为混合主题。我们可以检查每个文档的每个主题概率，称为γ（“伽玛”） 。
## # A tibble: 4,492 x 3 ## document topic gamma ## <int> <int> <dbl> ## 1 1 1 0.248 ## 2 2 1 0.362 ## 3 3 1 0.527 ## 4 4 1 0.357 ## 5 5 1 0.181 ## 6 6 1 0.000588 ## 7 7 1 0.773 ## 8 8 1 0.00445 ## 9 9 1 0.967 ## 10 10 1 0.147 ## # ... with 4,482 more rows
这些值中的每一个都是该文档中从该主题生成的单词的估计比例。例如，该模型估计文档1中单词的大约24.8％是从主题1生成的。
我们可以看到，这些文档中的许多文档都是从两个主题中抽取出来的，但文档6几乎完全是从主题2中得出的，其中有一个主题1γ接近零。为了检查这个答案，我们可以检查该文档中最常见的词。
#> # A tibble: 287 x 3 #> document term count #> <int> <chr> <dbl> #> 1 6 noriega 16 #> 2 6 panama 12 #> 3 6 jackson 6 #> 4 6 powell 6 #> 5 6 administration 5 #> 6 6 economic 5 #> 7 6 general 5 #> 8 6 i 5 #> 9 6 panamanian 5 #> 10 6 american 4 #> # … with 277 more rows
根据最常见的词汇，可以看出该算法将其分组到主题2（作为政治/国家新闻）是正确的。
