我是主题建模的新手。
是否可以在 Python 中实现 ToPMine？在快速搜索中，我似乎找不到任何带有 ToPMine 的 Python 包。
ToPMine 是否优于 LDA 和 LSA？我知道 LDA 和 LSA 已经存在了很长时间并被广泛使用。
谢谢
主题建模：LDA vs LSA vs ToPMine
数据挖掘
主题模型
低密度脂蛋白
2022-02-23 11:21:12
2个回答
ToPMine Python 实现：
pip install topmine
from topmine.phrase_lda import PhraseLDA
from topmine.phrase_mining import PhraseMining
a = PhraseMining(["you are a goode boy boy boy boy boy yes joke joke joke."]*10+["you are a big joke"]*20)
p = a.mine()
PhraseLDA(*p).run()
lda = PhraseLDA(*p).run()
这是 El-Kishky、Ahmed 等人详细介绍的算法的实现。“从文本语料库中挖掘可扩展的主题短语。” VLDB 捐赠基金会议记录 8.3 (2014): 305-316.APA
为了运行代码，只需按照以下步骤操作：
Put the file on which you want to run topmine in the folder named “input”
python -m topmine_src.run_phrase_mining input/{filename}
python -m topmine.run_phrase_lda {num_of_topic}
example
python -m topmine_src.run_phrase_mining input/dblp_5k.txt
python -m topmine.run_phrase_lda 4
LDA 与 LSA
潜在语义分析 (LSA)是一种数学方法，它试图将文档集合中的潜在关系带入低维空间。LSA假设意思相近的词会出现在相似的文本片段中（分布假设）。包含每个段落的字数的矩阵（行代表唯一的单词，列代表每个段落）由一大段文本和一种称为奇异值分解 (SVD)的数学技术构成用于减少行数，同时保留列之间的相似性结构。它不是查看与其他文档隔离的每个文档，而是将所有文档作为一个整体以及其中的术语来识别关系。
潜在狄利克雷分配（LDA）算法是一种无监督学习算法，它在概率统计模型上工作以自动发现文档包含的主题。
LDA假设语料库中的每个文档都包含在整个语料库中发现的主题组合。主题结构是隐藏的——我们只能观察文档和单词，而不是主题本身。由于结构是隐藏的（也称为潜在的），因此该方法试图在给定已知单词和文档的情况下推断主题结构。
我不知道 ToPMine，但通过快速搜索，看起来目标与常规主题建模有点不同，不是吗？
据我所知，LSA 严格来说也不是一种主题建模方法，至少它肯定不再被这样使用了。
LDA 是标准的传统主题建模方法。已经提出了许多变体和扩展，我认为以下两个值得一提，但可能还有其他：
其它你可能感兴趣的问题