如何仅在Gensim中访问主题单词

Question

i使用Gensim构建了LDA模型，我想获得主题单词，我只能获得主题的单词，只有没有概率，也没有IDS.words。

我在Gensim中尝试了print_topics（）和show_topics（）函数，但我无法得到干净的单词！

这是我使用的代码

dictionary = corpora.Dictionary(doc_clean)
doc_term_matrix = [dictionary.doc2bow(doc) for doc in doc_clean]
Lda = gensim.models.ldamodel.LdaModel
ldamodel = Lda(doc_term_matrix, num_topics=12, id2word = dictionary, passes = 100, alpha='auto', update_every=5)
x = ldamodel.print_topics(num_topics=12, num_words=5)
for i in x:
    print(i[1])
    #print('n' + str(i))
0.045*تعرض + 0.045*الماضية + 0.045*السنوات + 0.045*وءسرته + 0.045*لءحمد
0.021*مصر + 0.021*الديمقراطية + 0.021*حرية + 0.021*باسم + 0.021*الحكومة
0.068*المواطنة + 0.068*الطاءفية + 0.068*وانهيارات + 0.068*رابطة + 0.005*طبول
0.033*عربية + 0.033*انكسارات + 0.033*رهابيين + 0.033*بحقوق + 0.033*ل
0.007*وحريات + 0.007*ممنهج + 0.007*قواءم + 0.007*الناس + 0.007*دراج
0.116*طبول + 0.116*الوطنية + 0.060*يكتب + 0.060*مصر + 0.005*عربية
0.064*قيم + 0.064*وهن + 0.064*عربيا + 0.064*والتعددية + 0.064*الديمقراطية
0.036*تضامنا + 0.036*الشخصية + 0.036*مع + 0.036*التفتيش + 0.036*الءخلاق
0.052*تضامنا + 0.052*كل + 0.052*محمد + 0.052*الخلوق + 0.052*مظلوم
0.034*بمواطنين + 0.034*رهابية + 0.034*لم + 0.034*عليهم + 0.034*يثبت
0.035*مع + 0.035*ومستشار + 0.035*يستعيدا + 0.035*ءرهقهما + 0.035*حريتهما
0.064*للقمع + 0.064*قريبة + 0.064*لا + 0.064*نهاية + 0.064*مصر

我尝试了show_topics，它给出了相同的输出

y = np.array(ldamodel.show_topics(num_topics=12, num_words=5))
for i in y[:,1]:
    #if i != '%d':
    #print([str(word) for word in i])
    print(i)

如果我有主题ID，我如何访问其单词和其他信息

预先感谢

Answer 1

我认为以下代码段应该为您提供包含每个主题（TP）和相应单词（WD）的元组列表

x=ldamodel.show_topics(num_topics=12, num_words=5,formatted=False)
topics_words = [(tp[0], [wd[0] for wd in tp[1]]) for tp in x]
#Below Code Prints Topics and Words
for topic,words in topics_words:
    print(str(topic)+ "::"+ str(words))
print()
#Below Code Prints Only Words 
for topic,words in topics_words:
    print(" ".join(words))

Answer 2

另一个答案是给出一个与每个单词相关的权重的字符串。但是，如果您想单独将每个单词分开以进行进一步的工作。然后，您可以尝试一下。这里的主题没有字典的关键，该值是一个字符串，其中包含该主题中的所有单词

分隔

x=ldamodel.show_topics()
twords={}
for topic,word in x:
    twords[topic]=re.sub('[^A-Za-z ]+', '', word)
print(twords)

Answer 3

假设您的模型称为ldamodel：

my_dict = {'Topic_' + str(i): [token for token, score in ldamodel.show_topic(i, topn=10)] for i in range(0, ldamodel.num_topics)}

我们得到（对于两个主题）：

print(my_dict)
{'Topic_0': ['excel',
  'data',
  'learn',
  'feedback',
  'coaching',
  'tips',
  'digital',
  'use',
  'team',
  'people'],
 'Topic_1': ['leadership',
  'decisions',
  'business',
  'agile',
  'people',
  'change',
  'global',
  'data',
  'team',
  'leaders']}

或my_dict['Topic_0']，我们得到：

['excel',
 'data',
 'learn',
 'feedback',
 'coaching',
 'tips',
 'digital',
 'use',
 'team',
 'people']

Answer 4

您可以在Gensim中使用 get_topic_terms（）而不是print_topics（）和show_topics（）函数。

假设您有以下2个变量： id2word 和 lda_model ，在其中定义如下：

corpus_words = [['term1', 'term_2'], ['term3', 'term4']]
id2word = gensim.corpora.Dictionary(corpus_words)
corpus = [id2word.doc2bow(text) for text in corpus_words]
lda_model = gensim.models.LdaMulticore(corpus=corpus, id2word=id2word, num_topics=2)

通过调用 get_topic_terms（）：

[ lda_model.get_topic_terms(tid, topn=3)] for tid in range(2) ]

您获得了3个单词的ID及其分数。

那么，以下是需要的：

[ [(id2word[wid], s) for (wid, s) in lda_model.get_topic_terms(tid, topn=3)] for tid in range(2)]
[[('term1', 0.32463402), ('term_2', 0.3211307), ('term4', 0.18077125)], 
 [('term3', 0.3250474), ('term4', 0.31788236), ('term_2', 0.18025273)]]

Answer 5

在现代Gensim中，无需解析或使用令牌ID地图。单线是

list(w for w,_ in lda.show_topic(topicid=7,topn=10))

使用show_topc，该CC_3单词每topicid，例如：

['change',
 'https',
 '#leadershipofchange',
 '#changemanagement',
 '#cx',
 'leadership',
 'management',
 'customer',
 'experience',
 '#customerexperience']

注意：根据gensim==4.3。