Gensim中动态主题模型之dtmmodel的使用-创新互联
>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。
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的大迭代次数。
lda_max_em_iter(int ，optional) - LDA中的大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:无锡人流多少钱 http://www.bhnfkyy.com/
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)a
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
另外有需要云服务器可以了解下创新互联cdcxhl.cn，海内外云服务器15元起步，三天无理由+7*72小时售后在线，公司持有idc许可证，提供“云服务器、裸金属服务器、高防服务器、香港服务器、美国服务器、虚拟主机、免备案服务器”等云主机租用服务以及企业上云的综合解决方案，具有“安全稳定、简单易用、服务可用性高、性价比高”等特点与优势，专为企业上云打造定制，能够满足用户丰富、多元化的应用场景需求。
当前名称：Gensim中动态主题模型之dtmmodel的使用-创新互联
转载来源：http://scjbc.cn/article/dssodc.html
