如何在 LDA 模型中为主题建模指定 random_state

Question

我阅读了有关 random_state 的 gensim LDA 模型文档，其中指出：

random_state ({np.random.RandomState, int}, optional) 

– 一个 randomState 对象或一个种子来生成一个。有助于重现性。

我一直在尝试把 random_state=42 或

random_seed=42
state=np.random.RandomState(random_seed)
state.randn(1)
random_state=state.randn(1) 

这不起作用。谁能建议我该怎么做

model=ldaModel(corpus=corpus, id2word=dictionary, num_topics=num_topics, random_state=None)

我绑定在没有 random_state 的情况下使用它的功能，但使用 random_state 我收到错误消息说 LDA 模型未定义

def compute_coherence_values(字典、语料库、文本、限制、random_state、start=2、 步骤=3）：

coherence_values = []
model_list = []
for num_topics in range(start, limit, step):
    #model=LdaModel(corpus=corpus, id2word=dictionary, num_topics=num_topics)
    model=ldaModel(corpus=corpus, id2word=dictionary, num_topics=num_topics, 
                                                  random_state)
    model_list.append(model)
    coherencemodel = CoherenceModel(model=model, texts=texts, dictionary=dictionary, coherence='c_v')
    coherence_values.append(coherencemodel.get_coherence())

return model_list, coherence_values

Answer 1

您的代码中的错误在这里：

 model=ldaModel(corpus=corpus, id2word=dictionary, num_topics=num_topics, 
                                                  random_state)

你不能只传递变量random_state 而不指定标签。仅将变量传递给具有 int 编号的方法对 ldaModel 方法没有任何意义，因为该方法不采用位置参数。该方法采用命名参数。所以应该是这样的：

model=ldaModel(corpus=corpus, id2word=dictionary, num_topics=num_topics, 
                                                  random_state = random_state)

我有一个使用来自sklearn.decomposition 的LatentDirichletAllocation 的LDA 实现，而对于random_state，它需要一个整数。这是一个例子：

lda_model = LatentDirichletAllocation(n_components=10,        
                                  max_iter=10,               
                                  learning_method='online',   
                                  random_state=100,          
                                  batch_size=128,            
                                  evaluate_every = -1,       
                                  n_jobs = -1 )

Here is a good tutorial关于如何实现和LDA