困惑度、主题一致性，lda模型找出主题相关词

困���度perplexity：句子的概率的倒数。如果句子的概率越大，说明这句话越符合人话的规律，即p（句子），pp困惑度越小。模型对该句子就越不困惑。

通俗一点解释下就是，困惑度表示的对于一篇文章来说，我们有多不确定它是属于某个主题的。即主题的个数越多，模型的困惑度就越低，但是注意一点，当主题数很多的时候，生成的模型往往会过拟合，所以不能单纯依靠困惑度来判断一个模型的好坏。这时候我们的另一个判断标准就有作用了。biubiu~一致性！

困惑度可视化：

def perplexity_visible_model(self, topic_num, data_num):        '''        @description: 绘制困惑度-主题数目曲线        @param {type}         @return:         '''        # texts = self.fenci_data()        _, corpus = self.weibo_lda()        x_list = []        y_list = []        for i in range(1,topic_num):            model_name = './lda_{}_{}.model'.format(i, data_num)            try:                lda = models.ldamodel.LdaModel.load(model_name)-                perplexity = lda.log_perplexity(corpus)                print(perplexity)                x_list.append(i)                y_list.append(perplexity)            except Exception as e:                print(e)        plt.xlabel('num topics')        plt.ylabel('perplexity score')        plt.legend(('perplexity_values'), loc='best')        plt.show()

主题一致性：coherence。更高的一致性分数表示更好的aspect可解释性，意味着更有意义，还有语义上更连贯。

def visible_model(self, topic_num, data_num):        '''        @description: 可视化模型        @param :topic_num:主题的数量        @param :data_num:数据的量        @return: 可视化lda模型        '''        dictionary, _ = self.weibo_lda()        texts = self.fenci_data()        x_list = []        y_list = []        for i in range(1,topic_num):            model_name = './lda_{}_{}.model'.format(i, data_num)            try:                lda = models.ldamodel.LdaModel.load(model_name)                cv_tmp = CoherenceModel(model=lda, texts=texts, dictionary=dictionary, coherence='c_v')                x_list.append(i)                y_list.append(cv_tmp.get_coherence())            except:                print('没有这个模型:{}'.format(model_name))        plt.plot(x_list, y_list)        plt.xlabel('num topics')        plt.ylabel('coherence score')        plt.legend(('coherence_values'), loc='best')        plt.show()

可借鉴网址：

https://zhuanlan.zhihu.com/p/106982034

实战：

#找到最佳k通过主题一致性得分去找 import tomotopy as tptp.isadef find_k(docs,min_k=1,max_k=20,min_df=2):    #min_df 词语最少出现在两个文档中    import matplotlib.pyplot as plt    scores = []    for k in range(min_k,max_k):        mdl = tp.LDAModel(min_df = min_df,k = k,seed = 555)        #print("mdl",mdl)        for words in docs:            if words:                mdl.add_doc(words)        mdl.train(20)        coh = tp.coherence.Coherence(mdl)        scores.append(coh.get_score())    plt.plot(range(min_k,max_k),scores)    plt.xlabel("number of topics")    plt.ylabel("coherence")    plt.show()find_k(docs =df['words'],min_k=1,max_k=40,min_df=2)                

通过图形，我暂时将主题定为10个。其中的tomotopy可见网址：tomotopy | 速度最快的LDA主题模型