使用主题模型分析文本数据

打开生活的脚本

这个例子展示了如何使用潜在的Dirichlet分配（LDA）主题模型来分析文本数据。

Latent Dirichlet Allocation (LDA)模型是一种主题模型，它发现文档集合中的底层主题，并推断主题中的单词概率。

加载和提取文本数据

加载示例数据factoryReports.csv包含工厂报告，包括每个事件的文本描述和分类标签。

数据= readtable (“factoryReports.csv”TextType =“字符串”)；总目（数据）

ans =8×5表UUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUU“机械故障”“介质”“重新调整机器”“45”“机械故障”“中等”“重新调整机器”“35”“启动设备时电源中断”“电子故障”“高”“完全更换”16200“装配机中的油炸电容器”“电子故障”“高”“更换部件”“352”混合器使保险丝跳闸。”“电子故障”“低”“添加到观察列表”“55”“施工剂中的爆裂管正在喷射冷却剂”“泄漏”“高”“更换部件”“371”“混合器中的保险丝熔断”“电子故障”“低”“更换部件”“441”“皮带继续脱落”“机械故障”“低”“重新调整机器”38

从字段中提取文本数据描述.

textData = data.Description;textData (1:10)

ans =10×1的字符串“项目偶尔会卡在扫描仪线轴上。”“装配机活塞发出巨大的卡嗒卡嗒声和砰砰声。”“启动设备时电源中断。”“装配机中的电容器烧坏了。”“混合器跳闸了保险丝。”“施工剂中的爆裂管正在喷射冷却剂。”“混合器中的保险丝熔断。”“东西继续从传送带上滚下来。”“从传送带上掉下来的东西。”“扫描仪卷轴分裂，很快就会开始弯曲。”

准备文本数据进行分析

创建一个函数，用于标记和预处理文本数据，以便用于分析。这个函数preprocessText，列於预处理功能在示例的第节中，按顺序执行以下步骤：

使用标记文本tokenizedDocument.
使使用的词义化正常化森林.
删除标点符号使用erasePunctuation.
使用删除停止词列表（如“and”、“of”和“the”）removeStopWords.
使用删除包含2个或更少字符的单词removeShortWords.
使用删除包含15个或更多字符的单词removeLongWords.

准备文本数据，以便使用preprocessText作用

文件= preprocessText (textData);文档(1:5)

ans = 5×1 tokenizedDocument: 6代币:物品偶尔卡在扫描仪卷轴7代币:响亮的叮当声来组装器活塞4代币:切断电源启动工厂3代币:炸电容器组装器3代币:搅拌器trip fuse

从标记化的文档创建单词袋模型。

袋= bagOfWords(文档)

bag=bagOfWords，属性：Counts:[480×338 double]词汇：[1×338字符串]NumWords:338 NumDocuments:480

从单词袋模型中删除总出现次数不超过两次的单词。从单词袋模型中删除任何不包含单词的文档。

袋= removeInfrequentWords(袋,2);袋= removeEmptyDocuments(袋)

bag = bagOfWords with properties: Counts: [480×158 double

拟合LDA模型

拟合7个主题的LDA模型。有关如何选择主题数量的示例，请参见选择LDA模型的主题数. 要抑制详细输出，请设置详细的选项设置为0。对于再现性，使用rng函数与“默认”选择。

rng (“默认”) numTopics = 7;mdl = fitlda(袋、numTopics、Verbose = 0);

如果你有一个大的数据集，那么随机近似变分贝叶斯求解器通常是更好的选择，因为它可以在更少的数据中适合一个好的模型。的默认解算器菲特尔达（折叠吉布斯抽样）可以更精确，但代价是运行时间更长。要使用随机近似变分贝叶斯，请设置解算器选项“savb”。有关如何比较LDA解算器的示例，请参见比较LDA解算器.

使用词云可视化主题

您可以使用词云查看每个主题中概率最高的词。使用词云可视化主题。

图t=平铺布局(“流动”)；标题（t，“LDA的话题”)对于i = 1:numTopics nexttile wordcloud(mdl,i);标题(“主题”+(一)终止

查看文档中主题的混合

使用与培训数据相同的预处理功能，为一组以前未看到的文档创建标记化文档数组。

str = [“冷却液在装配机下方聚集。”“分类器在启动时烧断保险丝。”“从组装器里传出很响的咔哒声。”]；新文档=预处理文本（str）；

使用变换函数将文档转换为主题概率向量。注意，对于非常短的文档，主题混合可能不是文档内容的强表示形式。

topicMixtures=转换（mdl，新文档）；

用条形图绘制第一个文档的文档主题概率。要标记主题，请使用相应主题的前三个词。

对于i=1:numTopics top=topkwords（mdl，3，i）；topWords（i）=join（top.Word，”、“）;终止图形栏（TopicMixers（1，：））xlabel(“主题”) xticklabels (topWords);ylabel (“概率”)标题(“文档主题概率”)

使用堆叠条形图可视化多个主题混合。可视化文档的主题混合。

图barh (topicMixtures,“堆叠”) xlim([0 1]) title(“主题混合”)包含(“话题概率”) ylabel (“文档”)传说(topWords...位置=“southoutside”,...NumColumns=2）

预处理功能

这个函数preprocessText，依次执行以下步骤:

使用标记文本tokenizedDocument.
使使用的词义化正常化森林.
删除标点符号使用erasePunctuation.
使用删除停止词列表（如“and”、“of”和“the”）removeStopWords.
使用删除包含2个或更少字符的单词removeShortWords.
使用删除包含15个或更多字符的单词removeLongWords.

函数文件= preprocessText (textData)标记文本。文件= tokenizedDocument (textData);%把这些词用柠檬语法化。documents=addPartOfSpeechDetails（documents）；documents=normalizeWords（documents，Style=“引理”）;%擦掉标点符号。= erasePunctuation文件(文档);%删除停止词列表。文件=删除文字（文件）；%删除2个或更少的单词，以及15个或更大的单词%字符。文件= removeShortWords(文件,2);= removeLongWords文档(文档、15);终止