4
我使用pyspark的LDAModel從語料庫中獲取主題。我的目標是找到與每個文檔相關的主題。爲此,我嘗試根據Docs設置topicDistributionCol。由於我是新手,我不確定本專欄的目的是什麼。如何使用pyspark(2.1.0)LdA獲取與每個文檔相關的主題?
from pyspark.ml.clustering import LDA
lda_model = LDA(k=10, optimizer="em").setTopicDistributionCol("topicDistributionCol")
// documents is valid dataset for this lda model
lda_model = lda_model.fit(documents)
transformed = lda_model.transform(documents)
topics = lda_model.describeTopics(maxTermsPerTopic=num_words_per_topic)
print("The topics described by their top-weighted terms:")
print topics.show(truncate=False)
它列出了termIndices和termWeights的所有主題。
下面的代碼會給我topicDistributionCol。這裏每行都是針對每個文檔。
print transformed.select("topicDistributionCol").show(truncate=False)
我想要得到的文件主題矩陣這樣。 pysparks LDA模型有可能嗎?
doc | topic
1 | [2,4]
2 | [3,4,6]
注意:我已經使用前面的代碼使用gensims LDA模型。但我需要使用pysparks LDA模型。
texts = [[word for word in document.lower().split() if word not in stoplist] for document in documents]
dictionary = corpora.Dictionary(texts)
corpus = [dictionary.doc2bow(text) for text in texts]
doc_topics = LdaModel(corpus=corpus, id2word=dictionary, num_topics=10, passes=10)
## to fetch topics for one document
vec_bow = dictionary.doc2bow(text[0])
Topics = doc_topics[vec_bow]
Topic_list = [x[0] for x in Topics]
## topic list is [1,5]