Gensim中动态主题模型——dtmmodel的使用

import gensim
import jieba
import pandas as pd
from gensim import corpora,models
from gensim.models.wrappers import DtmModel
from gensim.corpora import Dictionary
from collections import defaultdict

gensim模块中的动态主题模型并不在官方所提供的代码里。想要使用动态主题模型，必须先下载保存在github上的二进制文件，这个文件有适合linux、win和darwin使用的版本，可直接下载，很方便。

这是链接：https://github.com/magsilva/dtm/tree/master/bin

文本要求

根据我的理解，简单来说，动态主题模型就是一种动态调参的LDA主题模型，通常将时间线分为几个等长的时间片。因此按照gensim里的这个模型要求，你必须先把整个事件片里的文本整合到一起，简而言之，就是你最后放到模型里跑的那个文本列表的长度，必须等于你把时间线分成的段数。

我在使用的时候，一共八个月，被我分为了八段，所以你最后的corpus的这个list的len也要是8

分词处理

接下来，你需要先对你需要分析的文本进行分词处理，我使用的代码如下：

train = []#储存分词结果的list

for line in comment:
    line = line.strip()
    line = "".join(line.split())
    if not len(line):#判断是否为空行
        continue
    outstr = ' '
    seg_list =jieba.cut(line)
    for word in seg_list:
        if word not in stopword:
            if word != '\t' and word != u'\u200b' and word != '～':
                outstr += word
                outstr += " "
    train.append(outstr.strip().split(" "))

得到train后，还可以筛选掉低频的单词：

frenquecy = defaultdict(int)
for patch in train:
    for token in patch:
        frenquecy[token] += 1
train = [[token for token in patch if frenquecy[token] > threshold]
        for patch in train]

然后把分词结果向量化：

dic = Dictionary(train)
corpus = [dic.doc2bow(text) for text in train]

这里需要用doc2bow函数把分词结果转化为bow格式的向量list

dtm模型构建

可以先去官网看一下，看不懂英文的chrome翻一下就好了

class gensim.models.wrappers.dtmmodel.DtmModel（dtm_path，corpus = None，time_slices = None，mode ='fit'，model ='dtm'，num_topics = 100，id2word = None，prefix = None，lda_sequence_min_iter = 6，lda_sequence_max_iter = 20，lda_max_em_iter = 10，alpha = 0.01，top_chain_var = 0.005，rng_seed = 0，initialize_lda = True ）

• dtm_path（str） - dtm二进制文件的路径，例如/ home / username / dtm / dtm / main。
• corpus（iterable of （int ，int ）的迭代） - BoW格式的文本集合。
• time_slices（int的列表） - 时间戳序列。
• mode（{'fit' ，'time'} ，可选） - 控制模式的模式：'fit'用于训练，'time'用于根据DTM分析文档，基本上是一组。
• model（{'fixed' ，'dtm'} ，可选） - 将运行的控制模型：'fixed'用于DIM，'dtm'用于DTM。
• num_topics（int ，optional） - 主题数。
• id2word（Dictionary，可选） -令牌ID和从胼字之间的映射，如果不是指定的-将被从推断语料库。
• prefix（str ，optional） - 生成的临时文件的前缀。
• lda_sequence_min_iter（int ，optional） - LDA的最小迭代次数。
• lda_sequence_max_iter（int ，optional） - LDA的最大迭代次数。
• lda_max_em_iter（int ，optional） - LDA中的最大em优化迭代。
• alpha（int ，optional） - 超参数，它影响每个时间片中LDA模型的文档主题的稀疏性。
• top_chain_var（int ，optional） - 影响的超参数。
• rng_seed（int ，optional） - 随机种子。
• initialize_lda（bool ，optional） - 如果为True - 使用LDA初始化DTM

这里的第一个参数dtm_path，就是指放置你下载的二进制文件的位置。

整个函数中，最玄幻的参数就是这个time_slices。源代码中要求，sum(time_slices)要等于你时间片的个数，即len(corpus)，但是这个实际上可以有无数种组合，可是官方文档里并没有写具体这个参数会对模型有什么样的影响，我也没搞懂，就只能使用官方文档例子的写法time_slices = [1] * len(corpus)

其他参数可以使用函数的默认值，也可以自己慢慢调整。

根据官方文档中说的，模型有两种模式，一种是fit，一种是time。fit完全正常运行，但是time这个模式是根据时间戳进行分析的模式，可见这是我们想要的模式。但是在实际调用时却出现问题：

问题1

会告诉你某一个函数返回了非0值，报错。根据错误提示，我们一直找到gensim中的utils.py中的1916行，把这里改成：

try:
    error = subprocess.CalledProcessError(retcode,cmd)
except Exception:
    error = None

问题2

接下来还会报错，会告诉你各种模型所需要的文件均不存在。我用了好久才明白是怎么回事，原来这个模式自己并不会生成这些初始化的文件，而是需要先运行一次fit模式，再使用fit模式初始化的文件来运行time模型，但是源代码里并没有写这个部分，导致运行失败，因此修改源代码dtmmodel.py中的164行:

if corpus is not None:
     if self.mode == 'time':
          print("time mode")
          self.train(corpus, time_slices, 'fit', model)
          self.train(corpus, time_slices, mode , model)
     elif self.mode == 'fit':
          print("train mode")
          self.train(corpus, time_slices, mode , model)

这样，就能正常运行time模式。代码如下：

model = DtmModel(path_to_dtm_binary,corpus = corpus,time_slices=time_slice,
id2word=dic,num_topics = num_topics,alpha = alpha,mode='time')

查看的得到的主题：

model.show_topics(num_topics = 10,times=1)

其他使用方法看官方文档就好了