使用 Mallet Perplexity 进行 Gensim 主题建模

Question

我正在为哈佛图书馆书名和主题建模。

我使用 Gensim Mallet Wrapper 用 Mallet 的 LDA 建模。 当我尝试获取 Coherence 和 Perplexity 值以查看模型有多好时，perplexity 无法计算，但有以下异常。 如果我使用 Gensim 的内置 LDA 模型而不是 Mallet，我不会得到同样的错误。 我的语料库包含 700 万个文档，长度不超过 50 个单词，平均 20 个单词。所以文档很短。

以下是我的代码的相关部分：

# TOPIC MODELING

from gensim.models import CoherenceModel
num_topics = 50

# Build Gensim's LDA model
lda_model = gensim.models.ldamodel.LdaModel(corpus=corpus,
                                       id2word=id2word,
                                       num_topics=num_topics,
                                       random_state=100,
                                       update_every=1,
                                       chunksize=100,
                                       passes=10,
                                       alpha='auto',
                                       per_word_topics=True)

# Compute Perplexity
print('\nPerplexity: ', lda_model.log_perplexity(corpus))  
# a measure of how good the model is. lower the better.

困惑度：-47.91929228302663

# Compute Coherence Score
coherence_model_lda = CoherenceModel(model=lda_model, 
texts=data_words_trigrams, dictionary=id2word, coherence='c_v')
coherence_lda = coherence_model_lda.get_coherence()
print('\nCoherence Score: ', coherence_lda)

连贯性得分：0.28852857563541856

LDA 给出了没有问题的分数。 现在我用 MALLET 模拟同样的词袋

# Building LDA Mallet Model
mallet_path = '~/mallet-2.0.8/bin/mallet' # update this path
ldamallet = gensim.models.wrappers.LdaMallet(mallet_path, 
corpus=corpus, num_topics=num_topics, id2word=id2word)

# Convert mallet to gensim type
mallet_model = 
gensim.models.wrappers.ldamallet.malletmodel2ldamodel(ldamallet)

# Compute Coherence Score
coherence_model_ldamallet = CoherenceModel(model=mallet_model, 
texts=data_words_trigrams, dictionary=id2word, coherence='c_v')
coherence_ldamallet = coherence_model_ldamallet.get_coherence()
print('\nCoherence Score: ', coherence_ldamallet)

连贯性得分：0.5994123896865993

然后我询问 Perplexity 值并得到低于警告和 NaN 值。

# Compute Perplexity
print('\nPerplexity: ', mallet_model.log_perplexity(corpus))

/app/app-py3/lib/python3.5/site-packages/gensim/models/ldamodel.py:1108: RuntimeWarning: 在乘法分数中遇到无效值 += np.sum((self.eta - _lambda) * Elogbeta )

困惑：难

/app/app-py3/lib/python3.5/site-packages/gensim/models/ldamodel.py:1109: RuntimeWarning: 在减分中遇到无效值 += np.sum(gammaln(_lambda) - gammaln(self. eta))

我意识到这是一个非常特定于 Gensim 的问题，需要对这个函数有更深入的了解：gensim.models.wrappers.ldamallet.malletmodel2ldamodel(ldamallet)

因此，对于警告和 Gensim 域的任何评论，我将不胜感激。

Answer 1

我认为没有为 Mallet 包装器实现 perplexity 函数。 正如Radims answer 中提到的，困惑会显示到标准输出：

AFAIR，Mallet 显示了对标准输出的困惑——这对你来说足够了吗？ 以编程方式捕获这些值也应该是可能的，但我还没有研究过。 希望 Mallet 也有一些 API 调用 perplexity eval，但它肯定没有包含在包装器中。

我只是在示例语料库上运行它，并且 LL/token 确实每隔这么多次迭代就打印一次：

LL/代币：-9.45493

困惑度 = 2^(-LL/token) = 701.81

Answer 2

我的几分钱。

1. 似乎在lda_model.log_perplexity(corpus) ，您使用的语料库与用于训练的语料库相同。 我可能对语料库的保留/测试集有更好的运气。
2. lda_model.log_perplexity(corpus) 不返回 Perplexity。 它返回“绑定”。 如果你想把它变成np.exp2(-bound) ，做np.exp2(-bound) 。 我为此苦苦挣扎了一段时间:)
3. 无法使用 Mallet 包装器报告 Perplexity afaik