使用 Mallet Perplexity 的 Gensim 主题建模答案

【问题标题】：Gensim Topic Modeling with Mallet Perplexity使用 Mallet Perplexity 的 Gensim 主题建模
【发布时间】：2019-03-21 10:47:33
【问题描述】：

我是哈佛图书馆书名和主题的主题建模。

我使用 Gensim Mallet Wrapper 与 Mallet 的 LDA 进行建模。当我尝试获取 Coherence 和 Perplexity 值以查看模型有多好时，perplexity 无法计算，但出现以下异常。如果我使用 Gensim 的内置 LDA 模型而不是 Mallet，我不会得到同样的错误。我的语料库包含 7M+ 个文档，长度不超过 50 个单词，平均 20 个单词。所以文档很短。

以下是我的代码的相关部分：

# TOPIC MODELING

from gensim.models import CoherenceModel
num_topics = 50

# Build Gensim's LDA model
lda_model = gensim.models.ldamodel.LdaModel(corpus=corpus,
                                       id2word=id2word,
                                       num_topics=num_topics,
                                       random_state=100,
                                       update_every=1,
                                       chunksize=100,
                                       passes=10,
                                       alpha='auto',
                                       per_word_topics=True)

# Compute Perplexity
print('\nPerplexity: ', lda_model.log_perplexity(corpus))  
# a measure of how good the model is. lower the better.

困惑度：-47.91929228302663

# Compute Coherence Score
coherence_model_lda = CoherenceModel(model=lda_model, 
texts=data_words_trigrams, dictionary=id2word, coherence='c_v')
coherence_lda = coherence_model_lda.get_coherence()
print('\nCoherence Score: ', coherence_lda)

连贯性得分：0.28852857563541856

LDA 给出的分数没有问题。现在我用 MALLET 模拟同一个词袋

# Building LDA Mallet Model
mallet_path = '~/mallet-2.0.8/bin/mallet' # update this path
ldamallet = gensim.models.wrappers.LdaMallet(mallet_path, 
corpus=corpus, num_topics=num_topics, id2word=id2word)

# Convert mallet to gensim type
mallet_model = 
gensim.models.wrappers.ldamallet.malletmodel2ldamodel(ldamallet)

# Compute Coherence Score
coherence_model_ldamallet = CoherenceModel(model=mallet_model, 
texts=data_words_trigrams, dictionary=id2word, coherence='c_v')
coherence_ldamallet = coherence_model_ldamallet.get_coherence()
print('\nCoherence Score: ', coherence_ldamallet)

连贯性得分：0.5994123896865993

然后我询问 Perplexity 值并得到低于警告和 NaN 值。

# Compute Perplexity
print('\nPerplexity: ', mallet_model.log_perplexity(corpus))

/app/app-py3/lib/python3.5/site-packages/gensim/models/ldamodel.py:1108： RuntimeWarning：在乘法得分中遇到无效值 += np.sum((self.eta - _lambda) * Elogbeta)

困惑：南

/app/app-py3/lib/python3.5/site-packages/gensim/models/ldamodel.py:1109： RuntimeWarning：减分时遇到无效值+= np.sum(gammaln(_lambda) - gammaln(self.eta))

我意识到这是一个非常针对 Gensim 的问题，需要对该功能有更深入的了解： gensim.models.wrappers.ldamallet.malletmodel2ldamodel(ldamallet)

因此，如果您对警告和 Gensim 域发表任何评论，我将不胜感激。

【问题讨论】：

标签： python gensim topic-modeling mallet perplexity

【解决方案1】：

我不认为 Mallet 包装器实现了 perplexity 功能。正如Radims answer 中提到的，困惑显示到标准输出：

AFAIR，Mallet 向 stdout 显示了困惑——这对你来说就足够了吗？以编程方式捕获这些值也应该是可能的，但我还没有研究过。希望 Mallet 也有一些用于 perplexity eval 的 API 调用，但它肯定不包含在包装器中。

我只是在一个样本语料库上运行它，LL/token 确实每隔这么多迭代就会打印一次：

LL/令牌：-9.45493

困惑度 = 2^(-LL/token) = 701.81

【讨论】：

【解决方案2】：

我只赚几分钱。

似乎在lda_model.log_perplexity(corpus) 中，您使用的语料库与用于训练的语料库相同。如果有一个保留/测试集的语料库，我可能会有更好的运气。
lda_model.log_perplexity(corpus) 不返回 Perplexity。它返回“绑定”。如果你想把它变成 Perplexity，请做np.exp2(-bound)。我为此苦苦挣扎了一段时间:)
无法使用 Mallet 包装器报告 Perplexity afaik

【讨论】：