lda.collapsed.gibbs.sampler 模型和热门词排名

【问题标题】：lda.collapsed.gibbs.sampler model and top words rankinglda.collapsed.gibbs.sampler 模型和热门词排名
【发布时间】：2014-02-15 23:54:56
【问题描述】：

我有一个由函数 lda.collapsed.gibbs.sampler 生成的模型，来自 lda 包，我需要知道最重要的词的“相关性”。使用时

    top.topic.words(result$topics, 10, by.score=TRUE)

我得到了每个主题的前 10 个词的列表，但我想查看这 10 个词所代表的主题百分比。我猜信息是存在的，因为有一个“分数”，但是我对Gibbs采样器的统计方法不是很熟悉。

提前致谢！

【问题讨论】：

你能解释一下你所说的主题百分比是什么意思吗？您是指该主题产生任何这些单词的概率吗？或者可能是吉布斯分配给这些主题词对的部分？
第二个，我想。我想知道这些词在这个话题中有多少“分量”。我不太确定它的正式表达方式:(

标签： r statistics lda

【解决方案1】：

我认为这样的东西可能是你想要的：

for (ii in 1:nrow(result$topics)) {
  print(
    head(
      cumsum(
        sort(result$topics[ii,], decreasing=TRUE)
      ),
      n = 20
    ) / result$topic_sums[ii]
  ) 
}

让我们分解一下。如果你想要吉布斯分配的分数，那很容易。 LDA 例程返回分配给每个（单词、主题）对的数量。因此，您所要做的就是对result$topics 的每一行进行排序以获得最上面的单词（如果您设置by.score=FALSE，这基本上就是top.topic.words 所做的事情）。将其按排序顺序排列后，您就可以看到，对于每个主题，该词相对于整个主题出现了多少计数。为此，我除以 result$topic_sums，其中包含该主题的作业总数。最后，我使用cumsum，这样您就可以看到该主题中单词的运行总权重。

【讨论】：