गेंसिम - एलडीए टॉपिक मॉडल बनाना

यह अध्याय आपको यह जानने में मदद करेगा कि गेंसिम में लैटर डेंटिलेट आवंटन (एलडीए) विषय मॉडल कैसे बनाया जाए।

एनएलपी (प्राकृतिक भाषा प्रसंस्करण) के प्राथमिक अनुप्रयोगों में से एक में ग्रंथों की बड़ी मात्रा से विषयों के बारे में स्वचालित रूप से जानकारी निकालना। बड़ी मात्रा में ग्रंथों को होटल की समीक्षा, ट्वीट, फेसबुक पोस्ट, किसी अन्य सोशल मीडिया चैनल से फीड, मूवी समीक्षा, समाचार कहानियां, उपयोगकर्ता प्रतिक्रिया, ई-मेल आदि से फीड किया जा सकता है।

इस डिजिटल युग में, यह जानने के लिए कि लोग / ग्राहक किस बारे में बात कर रहे हैं, उनकी राय और उनकी समस्याओं को समझने के लिए, व्यवसायों, राजनीतिक अभियानों और प्रशासकों के लिए अत्यधिक मूल्यवान हो सकता है। लेकिन, क्या पाठ के इतने बड़े संस्करणों को मैन्युअल रूप से पढ़ना और फिर विषयों से जानकारी निकालना संभव है?

नहीं यह नहीं। इसमें एक स्वचालित एल्गोरिथ्म की आवश्यकता होती है जो इन बड़ी मात्रा में पाठ दस्तावेज़ों के माध्यम से पढ़ सकता है और स्वचालित रूप से आवश्यक जानकारी / विषयों को इसमें से निकाल सकता है।

एलडीए की भूमिका

विषय मॉडलिंग के लिए LDA का दृष्टिकोण एक विशेष विषय के लिए एक दस्तावेज़ में पाठ को वर्गीकृत करना है। डिरिक्लेट डिस्ट्रीब्यूशन के रूप में मॉडल, LDA बनाता है -

  • दस्तावेज़ मॉडल के अनुसार एक विषय और
  • विषय प्रति शब्द मॉडल

एलडीए विषय मॉडल एल्गोरिदम प्रदान करने के बाद, विषय-कीवर्ड वितरण की एक अच्छी रचना प्राप्त करने के लिए, यह फिर से व्यवस्थित करता है -

  • दस्तावेज़ के भीतर विषय वितरण और
  • विषयों के भीतर खोजशब्द वितरण

प्रसंस्करण करते समय, एलडीए द्वारा बनाई गई कुछ धारणाएं हैं -

  • प्रत्येक दस्तावेज़ को विषयों के बहु-नाममात्र वितरण के रूप में तैयार किया जाता है।
  • हर विषय को शब्दों के बहु-नाममात्र वितरण के रूप में तैयार किया जाता है।
  • हमें डेटा के सही कॉर्पस का चयन करना चाहिए क्योंकि एलडीए मानता है कि पाठ के प्रत्येक भाग में संबंधित शब्द हैं।
  • एलडीए भी मानता है कि दस्तावेजों का निर्माण विषयों के मिश्रण से किया जाता है।

गेंसिम के साथ कार्यान्वयन

यहां, हम डेटासेट से स्वाभाविक रूप से चर्चित विषयों को निकालने के लिए LDA (अव्यक्त डिरिचलेट आवंटन) का उपयोग करने जा रहे हैं।

डेटा सेट लोड हो रहा है

जिस डेटासेट का हम उपयोग करने जा रहे हैं, वह डेटासेट है ’20 Newsgroups’एक समाचार रिपोर्ट के विभिन्न अनुभागों से हजारों समाचार लेख। के तहत उपलब्ध हैSklearnडेटा सेट। हम पायथन लिपि की सहायता से आसानी से डाउनलोड कर सकते हैं -

from sklearn.datasets import fetch_20newsgroups
newsgroups_train = fetch_20newsgroups(subset='train')

आइए निम्नलिखित स्क्रिप्ट की मदद से कुछ नमूना समाचार देखें -

newsgroups_train.data[:4]
["From: [email protected] (where's my thing)\nSubject: 
WHAT car is this!?\nNntp-Posting-Host: rac3.wam.umd.edu\nOrganization: 
University of Maryland, College Park\nLines: 
15\n\n I was wondering if anyone out there could enlighten me on this car 
I saw\nthe other day. It was a 2-door sports car, looked to be from the 
late 60s/\nearly 70s. It was called a Bricklin. The doors were really small. 
In addition,\nthe front bumper was separate from the rest of the body. 
This is \nall I know. If anyone can tellme a model name, 
engine specs, years\nof production, where this car is made, history, or 
whatever info you\nhave on this funky looking car, please e-mail.\n\nThanks,
\n- IL\n ---- brought to you by your neighborhood Lerxst ----\n\n\n\n\n",

"From: [email protected] (Guy Kuo)\nSubject: SI Clock Poll - Final 
Call\nSummary: Final call for SI clock reports\nKeywords: 
SI,acceleration,clock,upgrade\nArticle-I.D.: shelley.1qvfo9INNc3s\nOrganization: 
University of Washington\nLines: 11\nNNTP-Posting-Host: carson.u.washington.edu\n\nA 
fair number of brave souls who upgraded their SI clock oscillator have\nshared their 
experiences for this poll. Please send a brief message detailing\nyour experiences with 
the procedure. Top speed attained, CPU rated speed,\nadd on cards and adapters, heat 
sinks, hour of usage per day, floppy disk\nfunctionality with 800 and 1.4 m floppies 
are especially requested.\n\nI will be summarizing in the next two days, so please add 
to the network\nknowledge base if you have done the clock upgrade and haven't answered 
this\npoll. Thanks.\n\nGuy Kuo <;[email protected]>\n",

'From: [email protected] (Thomas E Willis)\nSubject: 
PB questions...\nOrganization: Purdue University Engineering 
Computer Network\nDistribution: usa\nLines: 36\n\nwell folks, 
my mac plus finally gave up the ghost this weekend after\nstarting 
life as a 512k way back in 1985. sooo, i\'m in the market for 
a\nnew machine a bit sooner than i intended to be...\n\ni\'m looking 
into picking up a powerbook 160 or maybe 180 and have a bunch\nof 
questions that (hopefully) somebody can answer:\n\n* does anybody 
know any dirt on when the next round of powerbook\nintroductions 
are expected? i\'d heard the 185c was supposed to make an\nappearence 
"this summer" but haven\'t heard anymore on it - and since i\ndon\'t 
have access to macleak, i was wondering if anybody out there had\nmore 
info...\n\n* has anybody heard rumors about price drops to the powerbook 
line like the\nones the duo\'s just went through recently?\n\n* what\'s 
the impression of the display on the 180? i could probably swing\na 180 
if i got the 80Mb disk rather than the 120, but i don\'t really have\na 
feel for how much "better" the display is (yea, it looks great in the\nstore, 
but is that all "wow" or is it really that good?). could i solicit\nsome 
opinions of people who use the 160 and 180 day-to-day on if its
worth\ntaking the disk size and money hit to get the active display? 
(i realize\nthis is a real subjective question, but i\'ve only played around 
with the\nmachines in a computer store breifly and figured the opinions 
of somebody\nwho actually uses the machine daily might prove helpful).\n\n* 
how well does hellcats perform? ;)\n\nthanks a bunch in advance for any info - 
if you could email, i\'ll post a\nsummary (news reading time is at a premium 
with finals just around the\ncorner... :
( )\n--\nTom Willis \\ [email protected] \\ Purdue Electrical 
Engineering\n---------------------------------------------------------------------------\
n"Convictions are more dangerous enemies of truth than lies." - F. W.\nNietzsche\n',

'From: jgreen@amber (Joe Green)\nSubject: Re: Weitek P9000 ?\nOrganization: 
Harris Computer Systems Division\nLines: 14\nDistribution: world\nNNTP-Posting-Host: 
amber.ssd.csd.harris.com\nX-Newsreader: TIN [version 1.1 PL9]\n\nRobert 
J.C. Kyanko ([email protected]) wrote:\n >[email protected] writes in article 
<[email protected] >:\n> > Anyone know about the 
Weitek P9000 graphics chip?\n > As far as the low-level stuff goes, it looks 
pretty nice. It\'s got this\n> quadrilateral fill command that requires just 
the four points.\n\nDo you have Weitek\'s address/phone number? I\'d like to get 
some information\nabout this chip.\n\n--\nJoe Green\t\t\t\tHarris 
Corporation\[email protected]\t\t\tComputer Systems Division\n"The only 
thing that really scares me is a person with no sense of humor.
"\n\t\t\t\t\t\t-- Jonathan Winters\n']

शर्त

हमें स्कल्प से एनएलटीके और अंग्रेजी मॉडल से स्टॉपवार्ड चाहिए। दोनों को निम्नानुसार डाउनलोड किया जा सकता है -

import nltk;
nltk.download('stopwords')
nlp = spacy.load('en_core_web_md', disable=['parser', 'ner'])

आवश्यक पैकेज आयात करना

एलडीए मॉडल बनाने के लिए हमें आवश्यक पैकेज के बाद आयात करने की आवश्यकता है -

import re
import numpy as np
import pandas as pd
from pprint import pprint
import gensim
import gensim.corpora as corpora
from gensim.utils import simple_preprocess
from gensim.models import CoherenceModel
import spacy
import pyLDAvis
import pyLDAvis.gensim
import matplotlib.pyplot as plt

स्टॉपमार्क तैयार करना

अब, हमें Stopwords को आयात करने और उनका उपयोग करने की आवश्यकता है -

from nltk.corpus import stopwords
stop_words = stopwords.words('english')
stop_words.extend(['from', 'subject', 're', 'edu', 'use'])

पाठ को साफ करें

अब, Gensim की मदद से simple_preprocess()हमें शब्दों की सूची में प्रत्येक वाक्य को टोकन की आवश्यकता है। हमें विराम चिह्न और अनावश्यक चरित्रों को भी हटा देना चाहिए। ऐसा करने के लिए, हम एक फ़ंक्शन बनाएंगे जिसका नाम हैsent_to_words() -

def sent_to_words(sentences):
   for sentence in sentences:
      yield(gensim.utils.simple_preprocess(str(sentence), deacc=True))
data_words = list(sent_to_words(data))

बिल्डिंग बिग्राम और ट्रिग्राम मॉडल

जैसा कि हम जानते हैं कि, बिग्रेड दो शब्द हैं जो अक्सर दस्तावेज़ में एक साथ होते हैं और ट्रिग्राम तीन शब्द हैं जो दस्तावेज़ में एक साथ अक्सर होते हैं। गेन्सिम की मदद सेPhrases मॉडल, हम यह कर सकते हैं -

bigram = gensim.models.Phrases(data_words, min_count=5, threshold=100)
trigram = gensim.models.Phrases(bigram[data_words], threshold=100)
bigram_mod = gensim.models.phrases.Phraser(bigram)
trigram_mod = gensim.models.phrases.Phraser(trigram)

Stopwords को फ़िल्टर करें

इसके बाद, हमें Stopwords को फ़िल्टर करना होगा। इसके साथ ही, हम बिग्रेड, ट्रिगर्स और लेमेटमाइजेशन बनाने के लिए फंक्शन भी बनाएंगे -

def remove_stopwords(texts):
   return [[word for word in simple_preprocess(str(doc))
if word not in stop_words] for doc in texts]
def make_bigrams(texts):
   return [bigram_mod[doc] for doc in texts]
def make_trigrams(texts):
   return [trigram_mod[bigram_mod[doc]] for doc in texts]
def lemmatization(texts, allowed_postags=['NOUN', 'ADJ', 'VERB', 'ADV']):
   texts_out = []
   for sent in texts:
     doc = nlp(" ".join(sent))
     texts_out.append([token.lemma_ for token in doc if token.pos_ in allowed_postags])
   return texts_out

टॉपिक मॉडल के लिए बिल्डिंग डिक्शनरी और कॉर्पस

अब हमें शब्दकोश और कोष बनाने की आवश्यकता है। हमने इसे पिछले उदाहरणों में भी किया था -

id2word = corpora.Dictionary(data_lemmatized)
texts = data_lemmatized
corpus = [id2word.doc2bow(text) for text in texts]

बिल्डिंग एलडीए टॉपिक मॉडल

हमने पहले से ही एलडीए मॉडल को प्रशिक्षित करने के लिए आवश्यक सभी चीजों को लागू किया है। अब, यह एलडीए विषय मॉडल बनाने का समय है। हमारे कार्यान्वयन के उदाहरण के लिए, यह कोड की निम्नलिखित पंक्ति की मदद से किया जा सकता है -

lda_model = gensim.models.ldamodel.LdaModel(
   corpus=corpus, id2word=id2word, num_topics=20, random_state=100, 
   update_every=1, chunksize=100, passes=10, alpha='auto', per_word_topics=True
)

कार्यान्वयन उदाहरण

आइए देखें एलडीए विषय मॉडल बनाने के लिए पूरा कार्यान्वयन उदाहरण -

import re
import numpy as np
import pandas as pd
from pprint import pprint
import gensim
import gensim.corpora as corpora
from gensim.utils import simple_preprocess
from gensim.models import CoherenceModel
import spacy
import pyLDAvis
import pyLDAvis.gensim
import matplotlib.pyplot as plt
from nltk.corpus import stopwords
stop_words = stopwords.words('english')
stop_words.extend(['from', 'subject', 're', 'edu', 'use'])
from sklearn.datasets import fetch_20newsgroups
newsgroups_train = fetch_20newsgroups(subset='train')
data = newsgroups_train.data
data = [re.sub('\S*@\S*\s?', '', sent) for sent in data]
data = [re.sub('\s+', ' ', sent) for sent in data]
data = [re.sub("\'", "", sent) for sent in data]
print(data_words[:4]) #it will print the data after prepared for stopwords
bigram = gensim.models.Phrases(data_words, min_count=5, threshold=100)
trigram = gensim.models.Phrases(bigram[data_words], threshold=100)
bigram_mod = gensim.models.phrases.Phraser(bigram)
trigram_mod = gensim.models.phrases.Phraser(trigram)
def remove_stopwords(texts):
   return [[word for word in simple_preprocess(str(doc)) 
   if word not in stop_words] for doc in texts]
def make_bigrams(texts):
   return [bigram_mod[doc] for doc in texts]
def make_trigrams(texts):
   [trigram_mod[bigram_mod[doc]] for doc in texts]
def lemmatization(texts, allowed_postags=['NOUN', 'ADJ', 'VERB', 'ADV']):
   texts_out = []
   for sent in texts:
      doc = nlp(" ".join(sent))
      texts_out.append([token.lemma_ for token in doc if token.pos_ in allowed_postags])
   return texts_out
data_words_nostops = remove_stopwords(data_words)
data_words_bigrams = make_bigrams(data_words_nostops)
nlp = spacy.load('en_core_web_md', disable=['parser', 'ner'])
data_lemmatized = lemmatization(data_words_bigrams, allowed_postags=[
   'NOUN', 'ADJ', 'VERB', 'ADV'
])
print(data_lemmatized[:4]) #it will print the lemmatized data.
id2word = corpora.Dictionary(data_lemmatized)
texts = data_lemmatized
corpus = [id2word.doc2bow(text) for text in texts]
print(corpus[:4]) #it will print the corpus we created above.
[[(id2word[id], freq) for id, freq in cp] for cp in corpus[:4]] 
#it will print the words with their frequencies.
lda_model = gensim.models.ldamodel.LdaModel(
   corpus=corpus, id2word=id2word, num_topics=20, random_state=100, 
   update_every=1, chunksize=100, passes=10, alpha='auto', per_word_topics=True
)

अब हम मॉडल बनाए जाने के लिए उपरोक्त एलडीए मॉडल का उपयोग कर सकते हैं।

ja/tutorial
es/tutorial
de/tutorial
fr/tutorial
th/tutorial
pt/tutorial
ru/tutorial
vi/tutorial
it/tutorial
ko/tutorial
tr/tutorial
id/tutorial
pl/tutorial
hi/tutorial
japost
espost
depost
frpost
thpost
ptpost
rupost
vipost
itpost
kopost
trpost
idpost
plpost
hipost

© Copyright 2021 - 2024 | All Rights Reserved