Gensim - LSI और HDP टॉपिक मॉडल बनाना

यह अध्याय Gensim के संबंध में अव्यक्त अर्थ इंडेक्सिंग (LSI) और श्रेणीबद्ध डिरिक्लेट प्रक्रिया (HDP) विषय मॉडल बनाने से संबंधित है।

मॉडलिंग एल्गोरिदम का विषय है जिसे सबसे पहले लेन्सेंट डिरिचलेट आवंटन (एलडीए) के साथ जेनसिम में लागू किया गया था Latent Semantic Indexing (LSI)। इसे कहते भी हैंLatent Semantic Analysis (LSA)। इसे 1988 में स्कॉट डियरवेस्टर, सुसान डुमिस, जॉर्ज फर्नेस, रिचर्ड हर्शमैन, थॉमस लैंडौर, करेन लोचबूम और लिन स्ट्रीटर ने पेटेंट कराया।

इस खंड में हम अपना LSI मॉडल स्थापित करने जा रहे हैं। यह एलडीए मॉडल स्थापित करने के उसी तरीके से किया जा सकता है। हमें LSI मॉडल से आयात करने की आवश्यकता हैgensim.models।

LSI की भूमिका

दरअसल, एलएसआई एक तकनीक एनएलपी है, विशेष रूप से वितरणात्मक शब्दार्थ में। यह दस्तावेजों के एक समूह और उन दस्तावेजों के बीच के संबंधों का विश्लेषण करता है। अगर हम इसके काम करने के बारे में बात करते हैं, तो यह एक मैट्रिक्स का निर्माण करता है जिसमें पाठ के एक बड़े टुकड़े से प्रति दस्तावेज शब्द मायने रखता है।

एक बार निर्माण के बाद, पंक्तियों की संख्या को कम करने के लिए, एलएसआई मॉडल एक गणितीय तकनीक का उपयोग करता है जिसे विलक्षण मूल्य अपघटन (एसवीडी) कहा जाता है। पंक्तियों की संख्या को कम करने के साथ, यह स्तंभों के बीच समानता संरचना को भी संरक्षित करता है।

मैट्रिक्स में, पंक्तियाँ अद्वितीय शब्दों का प्रतिनिधित्व करती हैं और कॉलम प्रत्येक दस्तावेज़ का प्रतिनिधित्व करते हैं। यह वितरण संबंधी परिकल्पना के आधार पर काम करता है, अर्थात यह मानता है कि जो शब्द अर्थ में करीब हैं वे एक ही तरह के पाठ में होंगे।

गेंसिम के साथ कार्यान्वयन

यहां, हम डेटासेट से स्वाभाविक रूप से चर्चित विषयों को निकालने के लिए LSI (अव्यक्त अर्थ इंडेक्सिंग) का उपयोग करने जा रहे हैं।

लोड हो रहा है डेटा सेट

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 मदद 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

LSI मॉडल बनाने के लिए हमें आवश्यक पैकेज का पालन करना होगा -

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 matplotlib.pyplot as plt

स्टॉपवर्ड्स 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 चिह्नों और अनावश्यक पात्रों 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 होते हैं जो अक्सर दस्तावेज़ में एक साथ होते हैं। Gensim के वाक्यांश मॉडल की मदद से, 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]

LSI विषय मॉडल का निर्माण

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

lsi_model = gensim.models.lsimodel.LsiModel(
   corpus=corpus, id2word=id2word, num_topics=20,chunksize=100
)

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 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):
   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
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.
lsi_model = gensim.models.lsimodel.LsiModel(
   corpus=corpus, id2word=id2word, num_topics=20,chunksize=100
)

अब हम विषयों को प्राप्त करने के लिए उपरोक्त बनाए गए LSI मॉडल का उपयोग कर सकते हैं।

एलएसआई मॉडल में विषय देखना

LSI मॉडल (lsi_model)हमने ऊपर बनाया है इसका उपयोग दस्तावेजों से विषयों को देखने के लिए किया जा सकता है। यह निम्नलिखित स्क्रिप्ट की मदद से किया जा सकता है -

pprint(lsi_model.print_topics())
doc_lsi = lsi_model[corpus]

उत्पादन

[
   (0,
   '1.000*"ax" + 0.001*"_" + 0.000*"tm" + 0.000*"part" +    0.000*"pne" + '
   '0.000*"biz" + 0.000*"mbs" + 0.000*"end" + 0.000*"fax" + 0.000*"mb"'),
   (1,
   '0.239*"say" + 0.222*"file" + 0.189*"go" + 0.171*"know" + 0.169*"people" + '
   '0.147*"make" + 0.140*"use" + 0.135*"also" + 0.133*"see" + 0.123*"think"')
]

पदानुक्रमित डिरिलेट प्रक्रिया (एचपीडी)

एलडीसी और एलएसआई जैसे टॉपिक मॉडल उन ग्रंथों के बड़े अभिलेखों को सारांशित और व्यवस्थित करने में मदद करते हैं, जिन्हें हाथ से विश्लेषण करना संभव नहीं है। एलडीए और एलएसआई के अलावा, जेनसिम में एक अन्य शक्तिशाली विषय मॉडल एचडीपी (पदानुक्रमित डिरिक्लेट प्रक्रिया) है। यह मूल रूप से समूहीकृत डेटा के अप्रकाशित विश्लेषण के लिए एक मिश्रित-सदस्यता मॉडल है। एलडीए (इसके परिमित प्रतिपक्ष) के विपरीत, एचडीपी डेटा से विषयों की संख्या को बढ़ाता है।

गेंसिम के साथ कार्यान्वयन

Gensim में HDP को लागू करने के लिए, हमें corpus और Dictionary (जैसा कि LDA और LSI विषय मॉडल को लागू करते समय उपरोक्त उदाहरणों में दिया गया है) को प्रशिक्षित करने की आवश्यकता है, HDP विषय मॉडल जिसे हम gensim.models.HdpModel से आयात कर सकते हैं। यहां हम 20Newsgroup डेटा पर HDP विषय मॉडल भी लागू करेंगे और चरण भी समान हैं।

हमारे कॉर्पस और डिक्शनरी के लिए (LSI और LDA मॉडल के लिए उपरोक्त उदाहरणों में), हम HdpModel को निम्न प्रकार से आयात कर सकते हैं:

Hdp_model = gensim.models.hdpmodel.HdpModel(corpus=corpus, id2word=id2word)

एलएसआई मॉडल में विषय देखना

HDP मॉडल (Hdp_model)दस्तावेजों से विषयों को देखने के लिए इस्तेमाल किया जा सकता है। यह निम्नलिखित स्क्रिप्ट की मदद से किया जा सकता है -

pprint(Hdp_model.print_topics())

उत्पादन

[
   (0,
   '0.009*line + 0.009*write + 0.006*say + 0.006*article + 0.006*know + '
   '0.006*people + 0.005*make + 0.005*go + 0.005*think + 0.005*be'),
   (1,
   '0.016*line + 0.011*write + 0.008*article + 0.008*organization + 0.006*know '
   '+ 0.006*host + 0.006*be + 0.005*get + 0.005*use + 0.005*say'),
   (2,
   '0.810*ax + 0.001*_ + 0.000*tm + 0.000*part + 0.000*mb + 0.000*pne + '
   '0.000*biz + 0.000*end + 0.000*wwiz + 0.000*fax'),
   (3,
   '0.015*line + 0.008*write + 0.007*organization + 0.006*host + 0.006*know + '
   '0.006*article + 0.005*use + 0.005*thank + 0.004*get + 0.004*problem'),
   (4,
   '0.004*line + 0.003*write + 0.002*believe + 0.002*think + 0.002*article + '
   '0.002*belief + 0.002*say + 0.002*see + 0.002*look + 0.002*organization'),
   (5,
   '0.005*line + 0.003*write + 0.003*organization + 0.002*article + 0.002*time '
   '+ 0.002*host + 0.002*get + 0.002*look + 0.002*say + 0.001*number'),
   (6,
   '0.003*line + 0.002*say + 0.002*write + 0.002*go + 0.002*gun + 0.002*get + '
   '0.002*organization + 0.002*bill + 0.002*article + 0.002*state'),
   (7,
   '0.003*line + 0.002*write + 0.002*article + 0.002*organization + 0.001*none '
   '+ 0.001*know + 0.001*say + 0.001*people + 0.001*host + 0.001*new'),
   (8,
   '0.004*line + 0.002*write + 0.002*get + 0.002*team + 0.002*organization + '
   '0.002*go + 0.002*think + 0.002*know + 0.002*article + 0.001*well'),
   (9,
   '0.004*line + 0.002*organization + 0.002*write + 0.001*be + 0.001*host + '
   '0.001*article + 0.001*thank + 0.001*use + 0.001*work + 0.001*run'),
   (10,
   '0.002*line + 0.001*game + 0.001*write + 0.001*get + 0.001*know + '
   '0.001*thing + 0.001*think + 0.001*article + 0.001*help + 0.001*turn'),
   (11,
   '0.002*line + 0.001*write + 0.001*game + 0.001*organization + 0.001*say + '
   '0.001*host + 0.001*give + 0.001*run + 0.001*article + 0.001*get'),
   (12,
   '0.002*line + 0.001*write + 0.001*know + 0.001*time + 0.001*article + '
   '0.001*get + 0.001*think + 0.001*organization + 0.001*scope + 0.001*make'),
   (13,
   '0.002*line + 0.002*write + 0.001*article + 0.001*organization + 0.001*make '
   '+ 0.001*know + 0.001*see + 0.001*get + 0.001*host + 0.001*really'),
   (14,
   '0.002*write + 0.002*line + 0.002*know + 0.001*think + 0.001*say + '
   '0.001*article + 0.001*argument + 0.001*even + 0.001*card + 0.001*be'),
   (15,
   '0.001*article + 0.001*line + 0.001*make + 0.001*write + 0.001*know + '
   '0.001*say + 0.001*exist + 0.001*get + 0.001*purpose + 0.001*organization'),
   (16,
   '0.002*line + 0.001*write + 0.001*article + 0.001*insurance + 0.001*go + '
   '0.001*be + 0.001*host + 0.001*say + 0.001*organization + 0.001*part'),
   (17,
   '0.001*line + 0.001*get + 0.001*hit + 0.001*go + 0.001*write + 0.001*say + '
   '0.001*know + 0.001*drug + 0.001*see + 0.001*need'),
   (18,
   '0.002*option + 0.001*line + 0.001*flight + 0.001*power + 0.001*software + '
   '0.001*write + 0.001*add + 0.001*people + 0.001*organization + 0.001*module'),
   (19,
   '0.001*shuttle + 0.001*line + 0.001*roll + 0.001*attitude + 0.001*maneuver + '
   '0.001*mission + 0.001*also + 0.001*orbit + 0.001*produce + 0.001*frequency')
]