## 模型概述 主题模型(Topic Model)是以无监督学习的方式对文档的隐含语义结构进行聚类的统计模型，其中LDA(Latent Dirichlet Allocation)算法是主题模型的一种。LDA根据对词的共现信息的分析，拟合出词-文档-主题的分布，从而将词、文本映射到一个语义空间中。本Module基于的数据集为百度自建的网页领域数据集。


更多详情请参考[LDA论文](http://www.jmlr.org/papers/volume3/blei03a/blei03a.pdf)。 注：该Module由第三方开发者DesmonDay贡献。 ## LDA模型 API 说明 ### cal_doc_distance(doc_text1, doc_text2) 用于计算两个输入文档之间的距离，包括Jensen-Shannon divergence(JS散度)、Hellinger Distance(海林格距离)。 **参数** - doc_text1(str): 输入的第一个文档。 - doc_text2(str): 输入的第二个文档。 **返回** - jsd(float): 两个文档之间的JS散度([Jensen-Shannon divergence](https://blog.csdn.net/FrankieHello/article/details/80614422?utm_source=copy))。 - hd(float): 两个文档之间的海林格距离([Hellinger Distance](http://blog.sina.com.cn/s/blog_85f1ffb70101e65d.html))。 ### cal_doc_keywords_similarity(document, top_k=10) 用于查找输入文档的前k个关键词及对应的与原文档的相似度。 **参数** - document(str): 输入文档。 - top_k(int): 查找输入文档的前k个关键词。 **返回** - results(list): 包含每个关键词以及对应的与原文档的相似度。其中，list的基本元素为dict，dict的key为关键词，value为对应的与原文档的相似度。 ### cal_query_doc_similarity(query, document) 用于计算短文档与长文档之间的相似度。 **参数** - query(str): 输入的短文档。 - document(str): 输入的长文档。 **返回** - lda_sim(float): 返回短文档与长文档之间的相似度。 ### infer_doc_topic_distribution(document) 用于推理出文档的主题分布。 **参数** - document(str): 输入文档。 **返回** - results(list): 包含主题分布下各个主题ID和对应的概率分布。其中，list的基本元素为dict，dict的key为主题ID，value为各个主题ID对应的概率。 ### show_topic_keywords(topic_id, k=10) 用于展示出每个主题下对应的关键词，可配合推理主题分布的API使用。 **参数** - topic_id(int): 主题ID。 - k(int): 需要知道对应主题的前k个关键词。 **返回** - results(dict): 返回对应文档的前k个关键词，以及各个关键词在文档中的出现概率。 ### 代码示例 这里展示部分API的使用示例。 ``` python import paddlehub as hub lda_webpage = hub.Module(name="lda_webpage") jsd, hd = lda_webpage.cal_doc_distance(doc_text1="百度的网页上有着各种新闻的推荐，内容丰富多彩。", doc_text2="百度首页推荐着各种新闻，还提供了强大的搜索引擎功能。") # jsd = 0.00249, hd = 0.0510 results = lda_webpage.cal_doc_keywords_similarity('百度首页推荐着各种新闻，还提供了强大的搜索引擎功能。') # [{'word': '强大', 'similarity': 0.0838851256627093}, # {'word': '推荐', 'similarity': 0.06295345182499558}, # {'word': '新闻', 'similarity': 0.05894049247832139}, # {'word': '提供', 'similarity': 0.04179908620523299}, # {'word': '百度', 'similarity': 0.033778847361833536}, # {'word': '首页', 'similarity': 0.018429949496365026}, # {'word': '功能', 'similarity': 0.011409342579361237}, # {'word': '搜索引擎', 'similarity': 0.010392479335778413}] out = lda_webpage.cal_query_doc_similarity(query='百度搜索引擎', document='百度是全球最大的中文搜索引擎、致力于让网民更便捷地获取信息，找到所求。百度超过千亿的中文网页数据库，可以瞬间找到相关的搜索结果。') # out = 0.0283 results = lda_webpage.infer_doc_topic_distribution("百度文库非常的好用，我们不仅在里面找到需要的文档，同时可以通过续费畅读精品文档。") # [{'topic id': 3458, 'distribution': 0.5277777777777778}, # {'topic id': 1927, 'distribution': 0.17777777777777778}, # {'topic id': 1497, 'distribution': 0.05}, # {'topic id': 1901, 'distribution': 0.03333333333333333}...] keywords = lda_webpage.show_topic_keywords(3458) # {'price': 0.10977647395316775, # '文档': 0.06445075002937038, # '财富值': 0.04012675135746289, # '文库': 0.03953267826572788, # 'len': 0.038856163693739426, # 'tag': 0.03868762622172197, # 'current': 0.03728225157463761, # 'cut': 0.03448665775467454, # '尺寸': 0.03250387028891812, # '财富': 0.02902896727051734} ``` ## 查看代码 https://github.com/baidu/Familia ## 依赖 paddlepaddle >= 1.8.2 paddlehub >= 1.8.0 ## 更新历史 * 1.0.0 初始发布