自然语言处理之LDA

LDA由PLSA发展而来，PLSA由LSA发展而来，同样用于隐含语义分析，这里先给出两篇实现LSA和PLSA的文章链接。
自然语言处理之LSA
自然语言处理之PLSA

我们知道，PLSA也定义了一个概率图模型，假设了数据的生成过程，但是不是一个完全的生成过程：没有给出先验。因此PLSA给出的是一个最大似然估计(ML)或者最大后验估计(MAP)。
LDA拓展了PLSA，定义了先验，因此LDA给出的是一个完整的贝叶斯估计。

符号

这里先给出本文公式中以及python代码中使用到的符号及其含义。关于编号，公式中从1开始编号，代码中从0开始编号，只是为了方便。

公式中的符号	描述	代码中的符号	描述
N	文档总数	N
Ni	第i篇文档单词数
K	topic总数	K
M	词表长度	M
d	文档编号，是一个整数	d
z	topic编号，是一个整数	z
w	单词编号，是一个整数	w
α⃗	document-topic分布的超参数，是一个K维向量	alpha	是一个标量， α⃗ 的每一维都是alpha
β⃗	topic-word分布的超参数，是一个M维向量	beta	是一个标量， β⃗ 的每一维都是beta
θi→	p(z\|d=i) 组成的K维向量，其中 z∈[1,K]
Θ	Θ={θi→}Ni=1
φk→	p(w\|z=k) 组成的M维向量，其中 w∈[1,M]
Φ	Φ={φk→}Kk=1
zi,j	第i篇文档的第j个单词的topic编号	Z[i,j]	Z是一个元素为list的list
wi,j	第i篇文档的第j个单词在词表中的编号	docs[i,j]	docs是一个元素为list的list
l	二维下标(i,j),对应第i篇文档的第j个单词
⌝l	下标包含这一项表示将第i篇文档的第j个单词排除在外
niz	第i篇文档中由z这个topic产生的单词计数	ndz[i,z]	ndz是一个二维矩阵，ndz[i,z]等于 niz 加上伪计数alpha
ni	第i篇文档由每个topic产生的单词计数组成的向量
nzw	第z个topic产生单词w的计数	nzw[z,w]	nzw是一个二维矩阵，nzw[z,w]等于 nzw 加上伪计数beta
nz	第z个topic产生全部单词的计数	nz[z]	nz是一个一维矩阵，nz[z]等于 nz 加上M倍的beta

概率图模型

LDA的概率图模型见下图。箭头定义了随机变量间的关系。每个方框定义了每个过程，方框右下角的变量是该过程的重复次数。

生成过程

LDA认为数据的生成过程如下图。

由该生成过程以及dirichlet-multinomial共轭可得：

p (z ⃗ | α ⃗) = \prod i = 1 N Δ ( n i \to + α ⃗ ) Δ ( α ⃗ )

p (w ⃗ | z ⃗, β ⃗) = \prod z = 1 K Δ ( n z \to + β ⃗ ) Δ ( β ⃗ )

p (w ⃗, z ⃗ | α ⃗, β ⃗) = p (w ⃗ | z ⃗, β ⃗) p (z ⃗ | α ⃗) = \prod z = 1 K Δ ( n z \to + β ⃗ ) Δ ( β ⃗ ) \prod i = 1 N Δ ( n i \to + α ⃗ ) Δ ( α ⃗ )

从而得到了联合概率分布 p(w⃗ ,z⃗ ) p(w→,z→)。

似然性

根据上面的概率图模型，可以得出第i篇文档的complete-data似然性为：

p (w i \to, z i \to, θ i \to, Φ | α ⃗, β ⃗) = \prod j = 1 N i p (w i, j | φ z i, j \to) p (z i, j | θ i \to) \cdot p (θ i \to | α ⃗) \cdot p (Φ | β ⃗)

第i篇文档第j个单词在词表中编号为w的概率为：

p (w i, j = w | θ i \to, Φ) = \sum k = 1 K p (w i, j = w | φ k \to) p (z i, j = k | θ i \to)

整个数据集的似然性为：

p ( | Θ, Φ) = \prod i = 1 N p (w i \to | θ i \to, Φ) = \prod i = 1 N \prod j = 1 N i p (w i, j | θ i \to, Φ)

那么接下来怎么办呢？我们回忆一下在PLSA中是怎么做的。
PLSA中的概率图模型由于没有先验，模型比LDA简单一些，认为文档决定topic，topic决定单词，写出了整个数据集的对数似然性，然后由于要求解的参数以求和的形式出现在了对数函数中，无法通过直接求导使用梯度下降或牛顿法来使得这个对数似然最大，因此使用了EM算法。
LDA同样可以使用EM算法求解参数，但需要在E步计算隐变量的后验概率时使用变分推断进行近似，一种更简单的方法是使用gibbs sampling。

gibbs sampling

根据生成过程已经得到了联合概率分布 p(w⃗ ,z⃗ ) 。由于每个文档中的单词 w⃗ 是可以观测到的已知数据，我们需要采样的分布是 p(z⃗ |w⃗ ) 。
下面推导gibbs sampling采样 p(z⃗ |w⃗ ) 分布的公式。

p (z l = z | z ⌝ l \to, w ⃗) = p ( w ⃗ , z ⃗ ) p ( w ⃗ , z ⌝ l \to ) = p ( w ⃗ | z ⃗ ) p ( z ⃗ ) p ( w ⌝ l \to | z ⌝ l \to ) p ( w l ) p ( z ⌝ l \to ) \propto p ( w ⃗ | z ⃗ ) p ( z ⃗ ) p ( w ⌝ l \to | z ⌝ l \to ) p ( z ⌝ l \to ) = Δ ( n i \to + α ⃗ ) Δ ( n i , ⌝ l \to + α ⃗ ) \cdot Δ ( n z \to + β ⃗ ) Δ ( n z , ⌝ l \to + β ⃗ ) = Γ ( n i z + α z ) Γ ( \sum K z = 1 ( n i z , ⌝ l + α z ) ) Γ ( n i z , ⌝ l + α z ) Γ ( \sum K z = 1 ( n i z + α z ) ) \cdot Γ ( n z w + β w ) Γ ( \sum M w = 1 ( n z w , ⌝ l + β w ) ) Γ ( n z w , ⌝ l + β w ) Γ ( \sum M w = 1 ( n z w + β w ) ) = n i z , ⌝ l + α z \sum K z = 1 ( n i z , ⌝ l + α z ) \cdot n z w , ⌝ l + β w \sum M w = 1 ( n z w , ⌝ l + β w ) \propto n z w , ⌝ l + β w \sum M w = 1 ( n z w , ⌝ l + β w ) \cdot (n i z, ⌝ l + α z) = n z w [ z , w ] n z [ z ] \cdot (n d z [i, z])

下面解释一下这个推导过程，前两个等号是利用了贝叶斯公式，第三步的正比于符号这一行是去掉了一项常数 p(wl) ,第四步利用了前面计算好的 p(w⃗ ,z⃗ ) 联合概率公式，第五、六步是将函数展开并化简，第七步的正比于符号是去掉了一项不依赖于z的项（即z取何值该项都相同），最后一行给出了对应代码中的表达。
这样我们就得到了吉布斯采样公式，每一轮gibbs sampling的迭代中依次遍历每个二维下标 l , 即遍历每篇文档的每一个单词，重新采样这个下标对应的topic编号。

LDA的实现

用python编写了一个使用gibbs sampling实现的LDA。数据集放在文件dataset.txt中，一行表示一篇文档，只需使用原始数据即可，可处理中文和英文。
采用了jieba分词工具，停止词使用英文停止词、中文停止词、标点符号以及所有日文字符。
下面给出代码。

# 预处理(分词，去停用词，为每个word赋予一个编号，文档使用word编号的列表表示)
def preprocessing(filename):
    # 读取停止词文件
    file = codecs.open('stopwords.dic','r','utf-8')
    stopwords = [line.strip() for line in file] 
    file.close()
    
    # 读数据集
    file = codecs.open('dataset.txt','r','utf-8')
    documents = [document.strip() for document in file] 
    file.close()
    
    word2id = {}
    id2word = {}
    docs = []
    currentDocument = []
    currentWordId = 0
    
    for document in documents:
        # 分词
        segList = jieba.cut(document)
        for word in segList: 
            word = word.lower().strip()
            # 单词长度大于1并且不包含数字并且不是停止词
            if len(word) > 1 and not re.search('[0-9]', word) and word not in stopwords:
                if word in word2id:
                    currentDocument.append(word2id[word])
                else:
                    currentDocument.append(currentWordId)
                    word2id[word] = currentWordId
                    id2word[currentWordId] = word
                    currentWordId += 1
        docs.append(currentDocument);
        currentDocument = []
    return docs, word2id, id2word
    
# 初始化，按照每个topic概率都相等的multinomial分布采样，等价于取随机数，并更新采样出的topic的相关计数
def randomInitialize():
	for d, doc in enumerate(docs):
		zCurrentDoc = []
		for w in doc:
			pz = np.divide(np.multiply(ndz[d, :], nzw[:, w]), nz)
			z = np.random.multinomial(1, pz / pz.sum()).argmax()
			zCurrentDoc.append(z)
			ndz[d, z] += 1
			nzw[z, w] += 1
			nz[z] += 1
		Z.append(zCurrentDoc)

# gibbs采样
def gibbsSampling():
	# 为每个文档中的每个单词重新采样topic
	for d, doc in enumerate(docs):
		for index, w in enumerate(doc):
			z = Z[d][index]
			# 将当前文档当前单词原topic相关计数减去1
			ndz[d, z] -= 1
			nzw[z, w] -= 1
			nz[z] -= 1
			# 重新计算当前文档当前单词属于每个topic的概率
			pz = np.divide(np.multiply(ndz[d, :], nzw[:, w]), nz)
			# 按照计算出的分布进行采样
			z = np.random.multinomial(1, pz / pz.sum()).argmax()
			Z[d][index] = z 
			# 将当前文档当前单词新采样的topic相关计数加上1
			ndz[d, z] += 1
			nzw[z, w] += 1
			nz[z] += 1

alpha = 5
beta = 0.1	
iterationNum = 50
K = 10
# 预处理
docs, word2id, id2word = preprocessing("data.txt")
Z = []
N = len(docs)
M = len(word2id)
# ndz[d,z]表示文档d中由topic z产生的单词计数加伪计数alpha
ndz = np.zeros([N, K]) + alpha
# nzw[z,w]表示topic z产生的单词w的计数加伪计数beta
nzw = np.zeros([K, M]) + beta
# nz[z]表示topic z产生的所有单词的总计数加伪计数
nz = np.zeros([K]) + M * beta
# 初始化
randomInitialize()
# gibbs sampling
for i in range(0, iterationNum):
	gibbsSampling()
# 产生每个topic的top10的词
topicwords = []
maxTopicWordsNum = 10
for z in range(0, K):
	ids = nzw[z, :].argsort()
	topicword = []
	for j in ids:
		topicword.insert(0, id2word[j])
	topicwords.append(topicword[0 : min(10, len(topicword))])

实验结果

实验部分，使用两个数据集进行测试，第一个数据集是PLSA实验中使用的第二个关于one piece的16个英文文档，来源于*，其中包含日文字符，因此停止词中加入了日语字符，第二个数据集是5000篇新浪社会新闻，是中文文档。
第一个英文数据集的部分截图如下。

设置的参数为K=10，iterationNum=50。
实验结果如下图。给出了每个主题top10的词语。

第二个中文数据集的部分截图如下。

参数设置为K=10，iterationNum=50：

主题0关于犯罪，主题8关于法院，主题2关于医疗，主题3关于交通事故，主题4关于学校，主题7是一些称谓，主题6关于社区。
参数设置为K=30，iterationNum=50:

可以看到，当topic数设置大一些，得到的主题将变得更为具体一些。由于停止词表的选用问题，有些停止词没有被过滤掉，比如一种，一只等数量词，完善停止词表可以让结果更好。

秒客网

python自然语言处理之lda