使用保存的 W 矩阵应用矩阵分解进行分类

Question

我正在对 tf-idf 输入执行 NMF 分解以执行主题分析。

def decomp(tfidfm, topic_count):
    model = decomposition.NMF(init="nndsvd", n_components=topic_count,     max_iter=500)
    H = model.fit_transform(tfidfm)
    W = model.components_
    return W, H

这将返回 W，一个由主题到术语分配的模型定义，以及 H，一个文档到主题分配矩阵

到目前为止一切都很好，我可以使用 H 根据它们通过词频与主题列表的关联对文档进行分类，而主题列表又基于它们与词频的关联。

我想将 topic-term-associations 保存到磁盘，以便稍后重新应用它们 - 并采用此处描述的方法 [https://stackoverflow.com/questions/8955448] 来存储 W 的稀疏矩阵表示。

所以我现在想做的是执行相同的过程，只修复主题定义矩阵 W。

在文档中，我似乎可以在调用参数中设置 W 类似的内容：

def applyModel(tfidfm,W,topic_count):
    model = decomposition.NMF(init="nndsvd", n_components=topic_count, max_iter=500)
    H = model.fit_transform(X=tfidfm, W=W)
    W = model.components_
    return W, H

我已经尝试过了，但它似乎不起作用。

我已经通过使用不同大小的词汇表编译 W 矩阵进行测试，然后将其输入到 applyModel 函数中，结果矩阵的形状应该被定义（或者我应该说，这就是我想要的) 由 W 模型，但事实并非如此。

这个问题的简短版本是：如何保存从矩阵分解生成的主题模型，以便我可以使用它来分类不同于最初生成它的文档集？

换句话说，如果 V=WH，那么我如何返回 H，给定 V 和W？

Answer 1

为了完整起见，这里是重写的 applyModel 函数，它考虑了 ForceBru 的答案（使用 scipy.sparse.linalg 的导入）

def applyModel(tfidfm,W):
    H = tfidfm * linalg.inv(W)
    return H

这会返回（假设词汇表对齐）文档到主题 H 的映射，该映射基于预生成的主题模型 W 和文档特征矩阵 V 由 tfidf 生成。

Answer 2

初始方程为：，我们为 求解它，如下所示：。

这里 表示矩阵 的逆矩阵，它仅在 非奇异时才存在。

乘法顺序一如既往地重要。如果您有，则需要将 乘以 的倒数，反之：。