LDA in de praktijk

Introductie tot Natural Language Processing in R

Kasey Jones

Research Data Scientist

LDA-resultaten afronden

kies het aantal topics
- perplexity/andere metrics
- een oplossing die werkt voor jouw situatie

Perplexity

maat voor hoe goed een probabilistisch model nieuwe data past
lager is beter
gebruikt om modellen te vergelijken
- Bij LDA-parameterafstemming
- Aantal topics kiezen

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

Perplexity in 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")

Nogmaals perplexity!

Perplexity meet hoe goed onze modellen generaliseren naar nieuwe data.

Praktische selectie

Hoeveel topics kan de situatie aan?
- 20 is lastig te behandelen
Hoe laat je de resultaten zien?
- Grafieken met 5 topics zijn makkelijker dan met 100
Vuistregels:
- Gebruik een klein aantal topics, elk gedekt door meerdere documenten
- Veel topics kan alleen als je tijd hebt om elk topic te verkennen en te ontleden

Resultaten gebruiken

Review of laat reviewers per topic "thema's" vinden
- geef de reviewer een lijst met topwoorden in het topic
- geef de reviewer een lijst met topdocumenten voor dat topic

Output beoordelen

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

Output samenvatten

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
...

Nogmaals samenvatten

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
...

LDA-oefening.

Introductie tot Natural Language Processing in R