>import gensim
import jieba
import pandas as pd
from gensim import corpora,models
from gensim.models.wrappers import DtmModel
from gensim.corpora import Dictionary
from collections import defaultdict
gensim模塊中的動態(tài)主題模型并不在官方所提供的代碼里。想要使用動態(tài)主題模型，必須先下載保存在github上的二進(jìn)制文件，這個文件有適合linux、win和darwin使用的版本，可直接下載，很方便。
文本要求
根據(jù)我的理解，簡單來說，動態(tài)主題模型就是一種動態(tài)調(diào)參的LDA主題模型，通常將時間線分為幾個等長的時間片。因此按照gensim里的這個模型要求，你必須先把整個事件片里的文本整合到一起，簡而言之，就是你最后放到模型里跑的那個文本列表的長度，必須等于你把時間線分成的段數(shù)。
我在使用的時候，一共八個月，被我分為了八段，所以你最后的corpus的這個list的len也要是8
分詞處理
接下來，你需要先對你需要分析的文本進(jìn)行分詞處理，我使用的代碼如下：
train = []#儲存分詞結(jié)果的list
for line in comment:
line = line.strip()
line = "".join(line.split())
if not len(line):#判斷是否為空行
continue
outstr = ' '
seg_list =jieba.cut(line)
for word in seg_list:
if word not in stopword:
if word != '\t' and word != u'\u200b' and word != '～':
outstr += word
outstr += " "
train.append(outstr.strip().split(" "))
得到train后，還可以篩選掉低頻的單詞：
frenquecy = defaultdict(int)
for patch in train:
for token in patch:
frenquecy[token] += 1
train = [[token for token in patch if frenquecy[token] > threshold]
for patch in train]
然后把分詞結(jié)果向量化：
dic = Dictionary(train)
corpus = [dic.doc2bow(text) for text in train]
這里需要用doc2bow函數(shù)把分詞結(jié)果轉(zhuǎn)化為bow格式的向量list
dtm模型構(gòu)建
可以先去官網(wǎng)看一下，看不懂英文的chrome翻一下就好了
class gensim.models.wrappers.dtmmodel.DtmModel(dtm_path，corpus = None，time_slices = None，mode ='fit'，model ='dtm'，num_topics = 100，id2word = None，prefix = None，lda_sequence_min_iter = 6，lda_sequence_max_iter = 20，lda_max_em_iter = 10，alpha = 0.01，top_chain_var = 0.005，rng_seed = 0，initialize_lda = True )
dtm_path(str) - dtm二進(jìn)制文件的路徑，例如/ home / username / dtm / dtm / main。
corpus(iterable of (int ，int )的迭代) - BoW格式的文本集合。
time_slices(int的列表) - 時間戳序列。
mode({'fit' ，'time'} ，可選) - 控制模式的模式：'fit'用于訓(xùn)練，'time'用于根據(jù)DTM分析文檔，基本上是一組。
model({'fixed' ，'dtm'} ，可選) - 將運(yùn)行的控制模型：'fixed'用于DIM，'dtm'用于DTM。
num_topics(int ，optional) - 主題數(shù)。
id2word(Dictionary，可選) -令牌ID和從胼字之間的映射，如果不是指定的-將被從推斷語料庫。
prefix(str ，optional) - 生成的臨時文件的前綴。
lda_sequence_min_iter(int ，optional) - LDA的最小迭代次數(shù)。
lda_sequence_max_iter(int ，optional) - LDA的大迭代次數(shù)。
lda_max_em_iter(int ，optional) - LDA中的大em優(yōu)化迭代。
alpha(int ，optional) - 超參數(shù)，它影響每個時間片中LDA模型的文檔主題的稀疏性。
top_chain_var(int ，optional) - 影響的超參數(shù)。
rng_seed(int ，optional) - 隨機(jī)種子。
initialize_lda(bool ，optional) - 如果為True - 使用LDA初始化DTM
這里的第一個參數(shù)dtm_path，就是指放置你下載的二進(jìn)制文件的位置。
整個函數(shù)中，最玄幻的參數(shù)就是這個time_slices。源代碼中要求，sum(time_slices)要等于你時間片的個數(shù)，即len(corpus)，但是這個實(shí)際上可以有無數(shù)種組合，可是官方文檔里并沒有寫具體這個參數(shù)會對模型有什么樣的影響，我也沒搞懂，就只能使用官方文檔例子的寫法time_slices = [1] * len(corpus)
其他參數(shù)可以使用函數(shù)的默認(rèn)值，也可以自己慢慢調(diào)整。
根據(jù)官方文檔中說的，模型有兩種模式，一種是fit，一種是time。fit完全正常運(yùn)行，但是time這個模式是根據(jù)時間戳進(jìn)行分析的模式，可見這是我們想要的模式。但是在實(shí)際調(diào)用時卻出現(xiàn)問題：
問題1
會告訴你某一個函數(shù)返回了非0值，報錯。根據(jù)錯誤提示，我們一直找到gensim中的utils.py中的1916行，把這里改成：
try:無錫人流多少錢 http://www.bhnfkyy.com/
error = subprocess.CalledProcessError(retcode,cmd)
except Exception:
error = None
問題2
接下來還會報錯，會告訴你各種模型所需要的文件均不存在。我用了好久才明白是怎么回事，原來這個模式自己并不會生成這些初始化的文件，而是需要先運(yùn)行一次fit模式，再使用fit模式初始化的文件來運(yùn)行time模型，但是源代碼里并沒有寫這個部分，導(dǎo)致運(yùn)行失敗，因此修改源代碼dtmmodel.py中的164行:
if corpus is not None:
if self.mode == 'time':
print("time mode")
self.train(corpus, time_slices, 'fit', model)
self.train(corpus, time_slices, mode , model)
elif self.mode == 'fit':
print("train mode")
self.train(corpus, time_slices, mode , model)a
這樣，就能正常運(yùn)行time模式。代碼如下：
model = DtmModel(path_to_dtm_binary,corpus = corpus,time_slices=time_slice,
id2word=dic,num_topics = num_topics,alpha = alpha,mode='time')
查看的得到的主題：
model.show_topics(num_topics = 10,times=1)
其他使用方法看官方文檔就好了
另外有需要云服務(wù)器可以了解下創(chuàng)新互聯(lián)cdcxhl.cn，海內(nèi)外云服務(wù)器15元起步，三天無理由+7*72小時售后在線，公司持有idc許可證，提供“云服務(wù)器、裸金屬服務(wù)器、高防服務(wù)器、香港服務(wù)器、美國服務(wù)器、虛擬主機(jī)、免備案服務(wù)器”等云主機(jī)租用服務(wù)以及企業(yè)上云的綜合解決方案，具有“安全穩(wěn)定、簡單易用、服務(wù)可用性高、性價比高”等特點(diǎn)與優(yōu)勢，專為企業(yè)上云打造定制，能夠滿足用戶豐富、多元化的應(yīng)用場景需求。
重慶分公司
重慶分公司
