为什么LDA预测不正确

Question

步骤1

我正在使用R和“topicmodels”包从4.5k文档语料库中构建LDA模型。我做了通常的预处理步骤（停用词，削减低/高单词频率，词形还原）并最终得到了一个我很满意的100个主题模型。事实上，它是一个几乎完美的模型，满足我的需求。

justlda <- LDA(k=100, x=dtm_lemma, method="Gibbs", control=control_list_gibbs)

第2步

然后我使用与上面相同的精确过程预处理新的（模型未见）300文档语料库，然后将其转换为文档术语矩阵，然后使用相同包的“后验”函数来预测主题新数据。该语料库来自同一作者，与训练集非常相似。

我的问题

我得到的预测（后验概率）是完全错误的。这是我用来获得后验的代码：

topics = posterior(justlda, dtm_lemma, control = control_list_gibbs)$topics

• justlda是在第1步中使用整个语料库构建的模型。
• dtm_lemma是新数据的预处理文档 - 术语矩阵。
• control是lda参数（两者都相同）。

我觉得不仅预测错误，主题权重也很低。没有什么能成为主流话题。 （对于这100个主题模型，大多数主题都是0.08，我很幸运能得到一个甚至不相关的0.20重量......）

我有不到一年的NLP / LDA和R语言经验。我觉得我可能会在一个可以解释错误预测的地方犯一个非常业余的错误？

这种结果是否正常？我可能做错了什么？

Answer 1

我不是100％肯定'错误'是什么意思。我做了一个快速测试，看看posterior是否适用于新数据。首先，我运行一个包含AssociatedPress数据集的所有文档的模型：

library(topicmodels)
data("AssociatedPress")
ap_lda <- LDA(AssociatedPress, k = 5, control = list(seed = 1234))

从您的问题来看，我怀疑您在这里查看每个文档最可能的主题。为了保持可比性，我根据一些整洁的包在这里建立了自己的方法来找到它们：

library(tidytext)
library(dplyr)
library(tidyr)
ap_documents <- tidy(ap_lda, matrix = "gamma")
ap_documents %>% 
  group_by(document) %>% 
  top_n(1, gamma) %>% # keep only most likely topic
  arrange(document)
# A tibble: 2,246 x 3
# Groups:   document [2,246]
   document topic gamma
      <int> <int> <dbl>
 1        1     4 0.999
 2        2     2 0.529
 3        3     4 0.999
 4        4     4 0.518
 5        5     4 0.995
 6        6     2 0.971
 7        7     1 0.728
 8        8     2 0.941
 9        9     4 0.477
10       10     5 0.500
# ... with 2,236 more rows

现在我再次运行相同的LDA但保留前10个文档：

AssociatedPress_train <- AssociatedPress[11:nrow(AssociatedPress), ]
AssociatedPress_test <- AssociatedPress[1:10, ]

ap_lda <- LDA(AssociatedPress_train, k = 5, control = list(seed = 1234))

我使用posterior获取每个文档的gamma值，并再次保持最可能：

posterior(object = ap_lda, newdata = AssociatedPress_test)$topics %>%
  as_tibble() %>% 
  mutate(document = seq_len(nrow(.))) %>% 
  gather(topic, gamma, -document) %>% 
  group_by(document) %>% 
  top_n(1, gamma) %>% # keep only most probable topic
  arrange(document)
# A tibble: 10 x 3
# Groups:   document [10]
   document topic gamma
      <int> <chr> <dbl>
 1        1 4     0.898
 2        2 2     0.497
 3        3 4     0.896
 4        4 4     0.468
 5        5 4     0.870
 6        6 2     0.754
 7        7 1     0.509
 8        8 2     0.913
 9        9 4     0.476
10       10 2     0.399

除文档10之外的所有文档都具有与以前相同的最可能的主题所以一切似乎都很好！所以我没有看到您的代码立即出现问题。

我没有测试的一件事是，如果训练和测试集的DTM具有不同的列，会发生什么。我怀疑这将是一个问题。

以下是您可以如何处理的简单示例：

text1 <- tibble(doc = 1, word = LETTERS[1:10])
text2 <- tibble(doc = 1, word = LETTERS[2:11])
dtm1 <- text1 %>%
  count(doc, word) %>%
  arrange(word) %>%
  cast_dtm(doc, word, n)

dtm2 <- text2 %>%
  count(doc, word) %>%
  arrange(word) %>%
  cast_dtm(doc, word, n)

all.equal(dtm1$dimnames$Terms, dtm2$dimnames$Terms)
[1] "10 string mismatches"

我制作了两个DTM，第二个DTM有一个额外的术语，而另一个术语缺少一个术语。因此，dimnames是不同的。我们可以通过将DTM恢复为整齐格式，删除额外的术语并在再次转换DTM之前添加缺少的术语来使它们相等：

dtm2_clean <- tidy(dtm2) %>% 
  filter(term %in% dtm1$dimnames$Terms) %>% 
  rbind(tibble(document = 1, 
               term = dtm1$dimnames$Terms, # adding term but no counts
               count = 0)) %>% 
  arrange(term) %>% 
  cast_dtm(document, term, count)

all.equal(dtm1$dimnames$Terms, dtm2_clean$dimnames$Terms)
[1] TRUE

你现在可以将它用作后验的新数据。