Modelarea subiectelor din tweet-uri

Analiza datelor din social media în R

Vivek Vijayaraghavan

Data Science Coach

Prezentarea lecției

  • Bazele modelării subiectelor
  • Crearea unei matrice document-termen (DTM)
  • Construirea unui model de subiecte din DTM
Analiza datelor din social media în R

Subiect și document

Definiție și exemplu de subiect

Analiza datelor din social media în R

Subiect și document

Definiție și exemplu de document

Analiza datelor din social media în R

Modelarea subiectelor

  • Descoperirea automată a subiectelor
  • Extragerea subiectelor principale din seturi mari de date
  • Rezumarea rapidă a informațiilor în subiecte
Analiza datelor din social media în R

Cum funcționează LDA

  • Algoritmul Latent Dirichlet Allocation pentru modelarea subiectelor

Cum funcționează LDA

Analiza datelor din social media în R

Cum funcționează LDA

Cum funcționează LDA

Analiza datelor din social media în R

Cum funcționează LDA

Cum funcționează LDA

Analiza datelor din social media în R

Matricea document-termen (DTM)

  • Crearea unei matrice document-termen
  • DTM este o reprezentare matriceală a unui corpus
  • Documentele sunt rânduri, iar cuvintele sunt coloane

Matricea document-termen (DTM)

Analiza datelor din social media în R

Crearea matricei document-termen

# Create a document term matrix
dtm <- DocumentTermMatrix(twt_corpus_refined)
Analiza datelor din social media în R

Crearea matricei document-termen

# Inspect the DTM
inspect(dtm)
Analiza datelor din social media în R

Crearea matricei document-termen

<<DocumentTermMatrix (documents: 1000, terms: 5079)>>
Non-/sparse entries: 12862/5066138
Sparsity           : 100%
Maximal term length: 29
Weighting          : term frequency (tf)
Sample             :
     Terms
Docs    california child diabetes fat food health people ranks rates weight
  131          0     0        0   0    0      0      0     0     0      0
  161          0     0        0   2    0      0      0     0     0      1
  295          0     0        0   0    1      0      1     0     0      0
  418          0     0        0   0    0      0      0     0     1      0
  604          0     0        1   0    0      1      0     0     0      0
Analiza datelor din social media în R

Pregătirea DTM

  • Filtrarea DTM pentru rândurile cu suma mai mare decât 0
# Find the sum of word counts in each Document 
rowTotals <- apply(dtm , 1, sum)

# Select rows from DTM with row totals greater than zero
tweet_dtm_new <- dtm[rowTotals> 0, ]
Analiza datelor din social media în R

Construirea modelului de subiecte

  • Crearea modelului de subiecte cu funcția LDA()
# Build the topic model
library(topicmodels)
lda_5 <- LDA(tweet_dtm_new, k = 5)
Analiza datelor din social media în R

Construirea modelului de subiecte

  • Au fost extrase 5 subiecte din corpusul de tweet-uri
# View top 10 terms in the topic model
top_10terms <- terms(lda_5,10)
top_10terms
Analiza datelor din social media în R

Primii 10 termeni din modelul de subiecte

     Topic 1        Topic 2        Topic 3     Topic 4      Topic 5   
 [1,] "disease"      "people"       "black"     "child"      "weight"  
 [2,] "health"       "health"       "fat"       "rates"      "diet"    
 [3,] "cancer"       "diabetes"     "trump"     "ranks"      "food"    
 [4,] "meghanmccain" "overweight"   "childhood" "california" "diabetes"
 [5,] "realcandaceo" "fat"          "health"    "fat"        "health"  
 [6,] "food"         "meghanmccain" "professor" "eat"        "bmi"     
 [7,] "risk"         "realcandaceo" "gender"    "people"     "problem" 
 [8,] "heart"        "body"         "studies"   "epidemic"   "eating"  
 [9,] "weight"       "weight"       "healthy"   "health"     "disease" 
[10,] "diabetes"     "obese"        "problem"   "healthy"    "family"
  • Un program de gestionare a obezității poate fi centrat pe un subiect principal
Analiza datelor din social media în R

Să exersăm!

Analiza datelor din social media în R

Preparing Video For Download...