具有先验主题词的潜在狄利克雷分配

Question

上下文

我正在尝试使用来自Scikit-Learn's decomposition module 的Latent Dirichlet allocation 从一组文本中提取主题。 除了找到/选择的主题词的质量之外，这非常有效。

在Li et al (2017) 的一篇文章中，作者描述了使用先前的主题词作为 LDA 的输入。他们手动选择 4 个主题以及与这些主题相关/属于这些主题的主要词。对于这些词，他们将相关主题的默认值设置为大数字，而将其他主题的默认值设置为 0。对于所有主题 (1)，所有其他词（不是为主题手动选择的）都被赋予相同的值。此值矩阵用作 LDA 的输入。

我的问题

如何使用 Scikit-Learn 的 LatentDirichletAllocation 模块使用自定义默认值矩阵（先前主题词）作为输入创建类似的分析？

（我知道有一个topic_word_prior 参数，但它只需要一个浮点数而不是具有不同“默认值”的矩阵。）

编辑

解决方案

使用@Anis 的帮助，我创建了原始模块的子类，并编辑了设置起始值矩阵的函数。对于您希望作为输入提供的所有先前主题词，它通过将值与该（先前）词的主题值相乘来转换 components_ 矩阵。

这是代码：

# List with prior topic words as tuples
# (word index, [topic values])
prior_topic_words = []

# Example (word at index 3000 belongs to topic with index 0)
prior_topic_words.append(
    (3000, [(np.finfo(np.float64).max/4),0.,0.,0.,0.])
)

# Custom subclass for PTW-guided LDA
from sklearn.utils import check_random_state
from sklearn.decomposition._online_lda import _dirichlet_expectation_2d
class PTWGuidedLatentDirichletAllocation(LatentDirichletAllocation):

    def __init__(self, n_components=10, doc_topic_prior=None, topic_word_prior=None, learning_method=’batch’, learning_decay=0.7, learning_offset=10.0, max_iter=10, batch_size=128, evaluate_every=-1, total_samples=1000000.0, perp_tol=0.1, mean_change_tol=0.001, max_doc_update_iter=100, n_jobs=None, verbose=0, random_state=None, n_topics=None, ptws=None):
        super(PTWGuidedLatentDirichletAllocation, self).__init__(n_components, doc_topic_prior, topic_word_prior, learning_method, learning_decay, learning_offset, max_iter, batch_size, evaluate_every, total_samples, perp_tol, mean_change_tol, max_doc_update_iter, n_jobs, verbose, random_state, n_topics)
        self.ptws = ptws

    def _init_latent_vars(self, n_features):
        """Initialize latent variables."""

        self.random_state_ = check_random_state(self.random_state)
        self.n_batch_iter_ = 1
        self.n_iter_ = 0

        if self.doc_topic_prior is None:
            self.doc_topic_prior_ = 1. / self.n_topics
        else:
            self.doc_topic_prior_ = self.doc_topic_prior

        if self.topic_word_prior is None:
            self.topic_word_prior_ = 1. / self.n_topics
        else:
            self.topic_word_prior_ = self.topic_word_prior

        init_gamma = 100.
        init_var = 1. / init_gamma
        # In the literature, this is called `lambda`
        self.components_ = self.random_state_.gamma(
            init_gamma, init_var, (self.n_topics, n_features))

        # Transform topic values in matrix for prior topic words
        if self.ptws is not None:
            for ptw in self.ptws:
                word_index = ptw[0]
                word_topic_values = ptw[1]
                self.components_[:, word_index] *= word_topic_values

        # In the literature, this is `exp(E[log(beta)])`
        self.exp_dirichlet_component_ = np.exp(
            _dirichlet_expectation_2d(self.components_))

启动与原始LatentDirichletAllocation 类相同，但现在您可以使用ptws 参数提供先前的主题词。

Answer 1

在查看了源代码和文档之后，在我看来，最简单的做法是子类 LatentDirichletAllocation 并且只覆盖 _init_latent_vars 方法。它是fit 中调用的方法来创建components_ 属性，该属性是用于分解的矩阵。通过重新实现此方法，您可以按照您想要的方式设置它，特别是提高相关主题/功能的先验权重。您将在那里重新实现论文的初始化逻辑。