Gensim LDA主题模型实验

本文利用gensim进行LDA主题模型实验，第一部分是基于前文的wiki语料，第二部分是基于Sogou新闻语料。

1. 基于wiki语料的LDA实验

上一文得到了wiki纯文本已分词语料 wiki.zh.seg.utf.txt，去停止词后可进行LDA实验。

import codecs
from gensim.models import LdaModel
from gensim.corpora import Dictionary
 
train = []
stopwords = codecs.open('stopwords.txt','r',encoding='utf8').readlines()
stopwords = [ w.strip() for w in stopwords ]
fp = codecs.open('wiki.zh.seg.utf.txt','r',encoding='utf8')
for line in fp:
    line = line.split()
    train.append([ w for w in line if w not in stopwords ])
 
dictionary = corpora.Dictionary(train)
corpus = [ dictionary.doc2bow(text) for text in train ]
lda = LdaModel(corpus=corpus, id2word=dictionary, num_topics=100)

同时gensim也提供了对wiki压缩包直接进行抽取并保存为稀疏矩阵的脚本 make_wiki，可在bash运行下面命令查看用法。

python -m gensim.scripts.make_wiki
#USAGE: make_wiki.py WIKI_XML_DUMP OUTPUT_PREFIX [VOCABULARY_SIZE]
python -m gensim.scripts.make_wiki zhwiki-latest-pages-articles.xml.bz2 zhwiki

运行时间比较久，具体情况可以看gensim官网，结果如下，mm后缀表示Matrix Market格式保存的稀疏矩阵：

-rw-r--r--  chenbingjin data 172M  7月   : zhwiki_bow.mm
-rw-r--r--  chenbingjin data 1.3M  7月   : zhwiki_bow.mm.index
-rw-r--r--  chenbingjin data 333M  7月   : zhwiki_tfidf.mm
-rw-r--r--  chenbingjin data 1.3M  7月   : zhwiki_tfidf.mm.index
-rw-r--r--  chenbingjin data 1.9M  7月   : zhwiki_wordids.txt

利用 tfidf.mm 及wordids.txt 训练LDA模型

# -*- coding: utf-8 -*-
from gensim import corpora, models
 
# 语料导入
id2word = corpora.Dictionary.load_from_text('zhwiki_wordids.txt')
mm = corpora.MmCorpus('zhwiki_tfidf.mm')
 
# 模型训练，耗时28m
lda = models.ldamodel.LdaModel(corpus=mm, id2word=id2word, num_topics=100)

模型结果

训练过程指定参数 num_topics=100, 即训练100个主题，通过print_topics() 和print_topic() 可查看各个主题下的词分布，也可通过save/load 进行模型保存加载。

# 打印前20个topic的词分布
lda.print_topics(20)
# 打印id为20的topic的词分布
lda.print_topic(20)
 
#模型的保存/ 加载
lda.save('zhwiki_lda.model')
lda = models.ldamodel.LdaModel.load('zhwiki_lda.model')

对新文档，转换成bag-of-word后，可进行主题预测。

模型差别主要在于主题数的设置，以及语料本身，wiki语料是全领域语料，主题分布并不明显，而且这里使用的语料没有去停止词，得到的结果差强人意。

test_doc = list(jieba.cut(test_doc))　　  #新文档进行分词
doc_bow = id2word.doc2bow(test_doc)      #文档转换成bow
doc_lda = lda[doc_bow]                   #得到新文档的主题分布
#输出新文档的主题分布
print doc_lda
for topic in doc_lda:
    print "%s\t%f\n"%(lda.print_topic(topic[0]), topic[1])

2. 基于Sogou新闻语料的LDA实验

Sogou实验室提供了很多中文语料的下载， 全网新闻数据(SogouCA)，来自若干新闻站点2012年6月—7月期间国内，国际，体育，社会，娱乐等18个频道的新闻数据，提供URL和正文信息。

这里使用的是2008精简版(一个月数据, 437MB)

数据转码处理，由于数据是Ascii文件，容易出现乱码情况，使用iconv命令转成utf8，由于XML文件处理时需要有顶级tag，这里使用sed 命令在文件的首行前插入<root>，在尾行后插入</root>

#!/bin/bash
 
#将文件夹下的Ascii文件转成utf8
#Usage: ./iconv_encode.sh indir outdir
#@chenbingjin --
 
function conv_encode() {
    all=`ls ${indir}`
    for ffile in ${all}
    do
        ifile="${indir}${ffile}"
        ofile="${outdir}${ffile}"
        echo "iconv $ifile to $ofile"
        iconv -c -f gb2312 -t utf8 "$ifile" > "$ofile"
        sed -i '1i <root>' "$ofile"
        sed -i '$a </root>' "$ofile"
    done
}
 
if [ $# -ne  ]; then
    echo "Usage: ./iconv_encode.sh indir outdir"
    exit
fi
 
indir=$
outdir=$
 
if [ ! -d $outdir ]; then
    echo "mkdir ${outdir}"
    mkdir $outdir
fi
 
time conv_encode

iconv_encode.sh

总共128个文件，存放在Sogou_data/ 文件夹下，使用iconv_encode.sh 进行处理，新文件保存在out文件夹，结果如下：

$ ./iconv_encode.sh Sogou_data/ out/
 
mkdir out/
iconv Sogou_data/news.allsites..txt to out/news.allsites..txt
iconv Sogou_data/news.allsites..txt to out/news.allsites..txt
iconv Sogou_data/news.allsites..txt to out/news.allsites..txt
iconv Sogou_data/news.allsites..txt to out/news.allsites..txt
......
 
real    0m27.255s
user    0m6.720s
sys    0m8.924s

接下来需要对xml格式的数据进行预处理，这里使用lxml.etree，lxm 是Python的一个html/xml解析并建立dom的库， 比python自带的XML解析快。

防止出现异常 XMLSyntaxError: internal error: Huge input lookup ，设置XMLParser参数 huge_tree=True，详细见代码：

# -*- coding: utf-8 -*-
import os
import codecs
import logging
from lxml import etree
logging.basicConfig(format='%(asctime)s : %(levelname)s : %(message)s', level=logging.INFO)
 
'''
Sogou新闻语料预处理
@chenbingjin 2016-07-01
'''
 
train = []
# huge_tree=True, 防止文件过大时出错 XMLSyntaxError: internal error: Huge input lookup
parser = etree.XMLParser(encoding='utf8',huge_tree=True)
 
def load_data(dirname):
    global train
    files = os.listdir(dirname)
    for fi in files:
        logging.info("deal with "+fi)
        text = codecs.open(dirname+fi, 'r', encoding='utf8').read()
        # xml自身问题，存在&符号容易报错, 用&代替
        text = text.replace('&', '&')
        # 解析xml，提取新闻标题及内容
        root = etree.fromstring(text, parser=parser)
        docs = root.findall('doc')
        for doc in docs:
            tmp = ""
            for chi in doc.getchildren():
                if chi.tag == "contenttitle" or chi.tag == "content":
                    if chi.text != None and chi.text != "":
                        tmp += chi.text
            if tmp != "":
                train.append(tmp)

preprocess.py

得到train训练语料后，分词并去停止词后，便可以进行LDA实验

from gensim.corpora import Dictionary
from gensim.models import LdaModel
 
stopwords = codecs.open('stopwords.txt','r',encoding='utf8').readlines()
stopwords = [ w.strip() for w in stopwords ]
train_set = []
for line in train:
    line = list(jieba.cut(line))
    train_set.append([ w for w in line if w not in stopwords ])
 
# 构建训练语料
dictionary = Dictionary(train_set)
corpus = [ dictionary.doc2bow(text) for text in train_set]
 
# lda模型训练
lda = LdaModel(corpus=corpus, id2word=dictionary, num_topics=20)
lda.print_topics(20)

实验结果：训练时间久，可以使用 ldamulticore ，整体效果还不错，可以看出08年新闻主题主要是奥运，地震，经济等

得到的LDA模型可用于主题预测，给定新的文档预测文档主题分布，可用于分类。训练文档中每个词会分配一个主题，有paper就将这种主题信息做Topic Word Embedding，一定程度上解决一词多义问题。

参考

1. gensim：Experiments on the English Wikipedia

2. Sogou：全网新闻数据