Восстановить исходный идентификатор документа из объекта lda

Question

Я пытаюсь сравнить «согласованное» предсказание темы (бета) из терминов (в данном документе) с наиболее вероятной предсказанной темой из самого документа (гамма) с использованием функций из topicmodels.В то время как легко извлечь наиболее вероятную предсказанную тему из документа, используя groupby() поверх документа и выбрав top_n() на гамме, но в оценке «бета» уникальный идентификатор документа будет подавлен в выходных данных, выходной файл содержит толькотри столбца (topic, term, beta).Это не позволяет получить «согласованное» тематическое предсказание (бета) из терминов для данного документа.

Используя мои собственные данные в качестве примера:

Sys.setlocale("LC_ALL","Chinese")  # reset to simplified Chinese encoding as the text data is in Chinese
library(foreign)
library(dplyr)
library(plyr)
library(tidyverse)
library(tidytext)
library(tm)
library(topicmodels)

sample_dtm <- readRDS(gzcon(url("https://www.dropbox.com/s/gznqlncd9psx3wz/sample_dtm.rds?dl=1")))

lda_out <- LDA(sample_dtm, k = 2, control = list(seed = 1234))

word_topics <- tidy(lda_out, matrix = "beta")

head(word_topics, n = 4)
# A tibble: 6 x 3
  topic term      beta
  <int> <chr>    <dbl>
1     1 费解  8.49e- 4
2     2 费解  1.15e- 9
3     1 上    2.92e- 3

document_gamma <- tidy(lda_out, matrix = "gamma")

head(document_gamma, n = 4)
# A tibble: 6 x 3
  document topic   gamma
  <chr>    <int>   <dbl>
1 1203232      1 0.00374
2 529660       1 0.0329 
3 738921       1 0.00138
4 963374       1 0.302

Можно ли в любом случае восстановить идентификатор документа из вывода lda и объединить с оценкой beta (word_topics, которая хранится как data.frame объект)?Таким образом, будет гораздо проще сравнить предполагаемую тему с консенсусом beta с консенсусом gamma.

Answer 1

Если я правильно вас понимаю, я считаю, что вам нужна функция augment(), которая возвращает таблицу с одной строкой на исходную пару термин-документ, связанную с темами.

Sys.setlocale("LC_ALL","Chinese")  # reset to simplified Chinese encoding as the text data is in Chinese
#> Warning in Sys.setlocale("LC_ALL", "Chinese"): OS reports request to set
#> locale to "Chinese" cannot be honored
#> [1] ""
library(foreign)
library(dplyr)
library(plyr)
#> -------------------------------------------------------------------------
#> You have loaded plyr after dplyr - this is likely to cause problems.
#> If you need functions from both plyr and dplyr, please load plyr first, then dplyr:
#> library(plyr); library(dplyr)
#> -------------------------------------------------------------------------
#> 
#> Attaching package: 'plyr'
#> The following objects are masked from 'package:dplyr':
#> 
#>     arrange, count, desc, failwith, id, mutate, rename, summarise,
#>     summarize
library(tidyverse)
library(tidytext)
library(tm)
library(topicmodels)

sample_dtm <- readRDS(gzcon(url("https://www.dropbox.com/s/gznqlncd9psx3wz/sample_dtm.rds?dl=1")))

lda_out <- LDA(sample_dtm, k = 2, control = list(seed = 1234))

augment(lda_out, sample_dtm)
#> # A tibble: 18,676 x 4
#>    document term     count .topic
#>    <chr>    <chr>    <dbl>  <dbl>
#>  1 649      作揖         1      1
#>  2 649      拳头         1      1
#>  3 649      赞           1      1
#>  4 656      住           1      1
#>  5 656      小区         1      1
#>  6 656      没           1      1
#>  7 656      注意         2      1
#>  8 1916     中国         1      1
#>  9 1916     中国台湾     1      1
#> 10 1916     反对         1      1
#> # … with 18,666 more rows

^{Создано в 2019-06-04 пакетом Представить (v0.2.1)}

Это связывает идентификатор документа изLDA модель для темы.Звучит так, как будто вы уже это понимаете, но только для повторения:

• матрица beta - это вероятности для слов
• матрица gamma - это вероятности для документов