LDA na prática

Introdução ao Processamento de Linguagem Natural em R

Kasey Jones

Research Data Scientist

Finalizando os resultados de LDA

definir o número de tópicos
- perplexidade/outras métricas
- uma solução adequada ao seu caso

Perplexidade

medida de quão bem um modelo probabilístico se ajusta a novos dados
quanto menor, melhor
usada para comparar modelos
- No ajuste de parâmetros do LDA
- Seleção do número de tópicos

sample_size <- floor(0.90 * nrow(doc_term_matrix))
set.seed(1111)
train_ind <- sample(nrow(doc_term_matrix), size = sample_size)
train <- matrix[train_ind, ]
test <- matrix[-train_ind, ]

¹ https://en.wikipedia.org/wiki/Perplexity

Perplexidade no R

library(topicmodels)
values = c()
for(i in c(2:35)){
  lda_model <- LDA(train, k = i, method = "Gibbs",
                   control = list(iter = 25, seed = 1111))
  values <- c(values, perplexity(lda_model, newdata = test))  
}

plot(c(2:35), values, main="Perplexity for Topics", 
     xlab="Number of Topics", ylab="Perplexity")

Perplexidade de novo!

Perplexidade mede quão bem nossos modelos se estendem a novos dados.

Seleção prática

Quantos tópicos a situação comporta
- 20 pode ser difícil de cobrir
Como você vai exibir os resultados
- Gráficos com 5 tópicos são mais fáceis que com 100
Regras práticas:
- Use poucos tópicos, cada um representado por vários documentos
- Use muitos tópicos só se houver tempo para explorar e dissecar cada um

Usando os resultados

Revisar ou pedir que revisores encontrem "temas" para cada tópico
- fornecer ao revisor a lista de principais palavras do tópico
- fornecer ao revisor a lista de principais documentos do tópico

Revisar a saída

betas <- tidy(lda_model, matrix = "beta")
betas %>%
  filter(topic == 1) %>%
  arrange(desc(beta)) %>%
  select(term)

# A tibble: 2,000 x 1
   term    
   <chr>   
 1 athletic   
 2 quick 
 3 strong    
 4 tough    
...

gammas <- tidy(lda_model, matrix = "gamma")
gammas %>%
  filter(topic == 1) %>%
  arrange(desc(gamma)) %>%
  select(document)

# A tibble: 1,000 x 1
   document
   <chr>   
 1 232     
 2 292     
 3 921    
 4 643    
 5 468

Resumir a saída

gammas <- tidy(lda_model, matrix = "gamma")
gammas %>%
  group_by(document) %>%
  arrange(desc(gamma)) %>%
  slice(1) %>%
  group_by(topic) %>% 
  tally(topic, sort=TRUE)

  topic     n
1     1  1326
2     5  1215
3     4   804
...

Resumir a saída novamente

gammas %>%
  group_by(document) %>%
  arrange(desc(gamma)) %>%
  slice(1) %>%
  group_by(topic) %>% 
  summarize(avg=mean(gamma)) %>%
  arrange(desc(avg))

  topic   avg
1     1 0.696
2     5 0.530
3     4 0.482
...

Prática de LDA.

Introdução ao Processamento de Linguagem Natural em R