Apache spark 理解MLlib中的LDA主题模型时遇到的问题
我在理解Spark Mlib中的LDA主题模型时遇到一些问题 据我所知,我们将得到如下结果:Apache spark 理解MLlib中的LDA主题模型时遇到的问题,apache-spark,apache-spark-mllib,lda,Apache Spark,Apache Spark Mllib,Lda,我在理解Spark Mlib中的LDA主题模型时遇到一些问题 据我所知,我们将得到如下结果: Topic 1: term1, term2, term.... Topic 2: term1, term2, term3... ... Topic n: term1, ........ Doc1 : Topic1, Topic2,... Doc2 : Topic1, Topic2,... Doc3 : Topic1, Topic2,... ... Docn :Topic1, Topi
Topic 1: term1, term2, term....
Topic 2: term1, term2, term3...
...
Topic n: term1, ........
Doc1 : Topic1, Topic2,...
Doc2 : Topic1, Topic2,...
Doc3 : Topic1, Topic2,...
...
Docn :Topic1, Topic2,...
我将LDA应用于Spark Mllib的样本数据,如下所示:
1 2 6 0 2 3 1 1 0 0 3
1 3 0 1 3 0 0 2 0 0 1
1 4 1 0 0 4 9 0 1 2 0
2 1 0 3 0 0 5 0 2 3 9
3 1 1 9 3 0 2 0 0 1 3
4 2 0 3 4 5 1 1 1 4 0
2 1 0 3 0 0 5 0 2 2 9
1 1 1 9 2 1 2 0 0 1 3
4 4 0 3 4 2 1 3 0 0 0
2 8 2 0 3 0 2 0 2 7 2
1 1 1 9 0 2 2 0 0 3 3
4 1 0 0 4 5 1 3 0 1 0
之后我得到了以下结果:
topics: org.apache.spark.mllib.linalg.Matrix =
10.33743440804936 9.104197117225599 6.5583684747250395
6.342536927434482 12.486281081997593 10.171181990567925
2.1728012328444692 2.1939589470020042 7.633239820153526
17.858082227094904 9.405347532724434 12.736570240180663
13.226180094790433 3.9570395921153536 7.816780313094214
6.155778858763581 10.224730593556806 5.619490547679611
7.834725138351118 15.52628918346391 7.63898567818497
4.419396221560405 3.072221927676895 2.5083818507627
1.4984991123084432 3.5227422247618927 2.978758662929664
5.696963722524612 7.254625667071781 11.048410610403607
11.080658179168758 10.11489350657456 11.804448314256682
每列都是主题的术语分布。共有3个主题,每个主题由11个词汇组成
我认为有12个文档,每个文档有11个词汇表。我的问题是
- 如何找到每个文档的主题分布
- 为什么每个主题都分布在11个词汇上,而数据中总共有10个不同的词汇(0-9)
- 为什么每列的总和不等于100(根据我的理解是100%)
DistributedLDAModel.topicDistributions()
或
DistributedLDAModel.javaTopicDistributions()
在Spark 1.4中。仅当模型优化器设置为emldaooptimizer
(默认值)时,此选项才有效
有和
在Java中,它看起来像这样:
LDAModel ldaModel = lda.setK(k.intValue()).run(corpus);
JavaPairRDD<Long,Vector> topic_dist_over_docs = ((DistributedLDAModel) ldaModel).javaTopicDistributions();
LDAModel LDAModel=lda.setK(k.intValue()).run(语料库);
javapairdd topic_dist_over_docs=((DistributedLDAModel)ldaModel).javaTopicDistributions();
关于第二个问题:
LDA模型返回每个主题词汇表中每个单词的概率分布。因此,您有三个主题(三列),每个主题有11行(vocab中的每个单词对应一行),因为vocab的大小是11 为什么每列的总和不等于100(我的理解是100%)
Tuple2<int[], double[]>[] topicDesces = ldaModel.describeTopics();
int topicCount = topicDesces.length;
for( int t=0; t<topicCount; t++ ){
Tuple2<int[], double[]> topic = topicDesces[t];
System.out.print("Topic " + t + ":");
int[] indices = topic._1();
double[] values = topic._2();
double sum = 0.0d;
int wordCount = indices.length;
for( int w=0; w<wordCount; w++ ){
double prob = values[w];
System.out.format("\t%d:%f", indices[w] , prob);
sum += prob;
}
System.out.println( "(" + sum + ")");
}
Tuple2[]topicDesces=ldaModel.descripbetopics();
int topicCount=topicDesces.length;
对于(int t=0;t