Apache spark LDA模型预测非电阻

我训练了一个LDA模型并将其加载到环境中以转换新数据：

from pyspark.ml.clustering import LocalLDAModel

lda = LocalLDAModel.load(path)
df = lda.transform(text)

该模型将添加一个名为topicDistribution的新列。在我看来，对于相同的输入，这个分布应该是相同的，否则这个模型是不一致的。然而，这在实践中并不存在

---

我可以问一下原因和解决方法吗？

LDA在培训时使用随机性，并根据实施情况推断新数据。Spark中的实现基于EM映射推断，因此我相信它在训练模型时只使用随机性。这意味着每次训练和运行算法时，结果都会不同

为了在相同输入和相同参数下运行时获得相同的结果，可以在训练模型时设置随机种子。例如，要将随机种子设置为1：

model = LDA.train(data, k=2, seed=1)

要在转换新数据时设置种子，请创建一个参数映射以覆盖默认值（

None

for seed）

---

有关覆盖模型参数的详细信息，请参阅。

问题在于我正在从本地加载模型。那么，在我加载种子时，有没有办法设置种子？@Ippon：我相信在转换数据时，您可以覆盖默认参数。在答案中添加了信息（我自己目前无法测试它，但它应该可以正常工作）。

lda = LocalLDAModel.load(path)
paramMap[lda.seed] = 1L
df = lda.transform(text, paramMap)