LDA dalam praktik

Pengantar Natural Language Processing di R

Kasey Jones

Research Data Scientist

Finalisasi hasil LDA

pilih jumlah topik
- perplexity/metric lain
- solusi yang sesuai kebutuhan Anda

Perplexity

ukuran kecocokan model probabilitas pada data baru
makin rendah makin baik
digunakan untuk membandingkan model
- Dalam penalaan parameter LDA
- Memilih jumlah topik

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 di 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")

Perplexity lagi!

Perplexity mengukur seberapa baik model kita berlaku untuk data baru.

Pemilihan praktis

Berapa topik yang sesuai untuk situasinya
- 20 topik mungkin sulit dicakup
Bagaimana Anda menampilkan hasil
- Grafik dengan 5 topik lebih mudah daripada 100 topik
Aturan praktis:
- Gunakan sedikit topik, tiap topik diwakili beberapa dokumen
- Jumlah topik besar hanya jika ada waktu untuk menelaah tiap topik

Menggunakan hasil

Tinjau atau minta peninjau menemukan "tema" tiap topik
- beri peninjau daftar kata teratas dalam topik
- beri peninjau daftar dokumen teratas untuk topik itu

Meninjau output

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

Meringkas output

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
...

Ringkas output lagi

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
...

Latihan LDA.

Pengantar Natural Language Processing di R