• 模型介绍

  • 主题模型(Topic Model)是以无监督学习的方式对文档的隐含语义结构进行聚类的统计模型，其中LDA(Latent Dirichlet Allocation)算法是主题模型的一种。LDA根据对词的共现信息的分析，拟合出词-文档-主题的分布，从而将词、文本映射到一个语义空间中。

  
  

  更多详情请参考LDA论文。

  注：该Module由第三方开发者DesmonDay贡献。

• 1、环境依赖

  • paddlepaddle >= 1.8.2

  • paddlehub >= 1.8.0 | 如何安装PaddleHub

• 2、安装

  • $ hub install lda_webpage
  • 如您安装时遇到问题，可参考：零基础windows安装 | 零基础Linux安装 | 零基础MacOS安装

• 1、预测代码示例

import paddlehub as hub

lda_webpage = hub.Module(name="lda_webpage")
jsd, hd = lda_webpage.cal_doc_distance(doc_text1="百度的网页上有着各种新闻的推荐，内容丰富多彩。", doc_text2="百度首页推荐着各种新闻，还提供了强大的搜索引擎功能。")
# jsd = 0.00249, hd = 0.0510

results = lda_webpage.cal_doc_keywords_similarity('百度首页推荐着各种新闻，还提供了强大的搜索引擎功能。')
#  [{'word': '强大', 'similarity': 0.0838851256627093},
#   {'word': '推荐', 'similarity': 0.06295345182499558},
#   {'word': '新闻', 'similarity': 0.05894049247832139},
#   {'word': '提供', 'similarity': 0.04179908620523299},
#   {'word': '百度', 'similarity': 0.033778847361833536},
#   {'word': '首页', 'similarity': 0.018429949496365026},
#   {'word': '功能', 'similarity': 0.011409342579361237},
#   {'word': '搜索引擎', 'similarity': 0.010392479335778413}]

out = lda_webpage.cal_query_doc_similarity(query='百度搜索引擎', document='百度是全球最大的中文搜索引擎、致力于让网民更便捷地获取信息，找到所求。百度超过千亿的中文网页数据库，可以瞬间找到相关的搜索结果。')
# out = 0.0283

results = lda_webpage.infer_doc_topic_distribution("百度文库非常的好用，我们不仅在里面找到需要的文档，同时可以通过续费畅读精品文档。")
# [{'topic id': 3458, 'distribution': 0.5277777777777778},
#  {'topic id': 1927, 'distribution': 0.17777777777777778},
#  {'topic id': 1497, 'distribution': 0.05},
#  {'topic id': 1901, 'distribution': 0.03333333333333333}...]

keywords = lda_webpage.show_topic_keywords(3458)
# {'price': 0.10977647395316775,
#  '文档': 0.06445075002937038,
#  '财富值': 0.04012675135746289,
#  '文库': 0.03953267826572788,
#  'len': 0.038856163693739426,
#  'tag': 0.03868762622172197,
#  'current': 0.03728225157463761,
#  'cut': 0.03448665775467454,
#  '尺寸': 0.03250387028891812,
#  '财富': 0.02902896727051734}

• 查看代码

https://github.com/baidu/Familia

• 2、API

  • cal_doc_distance(doc_text1, doc_text2)

    • 用于计算两个输入文档之间的距离，包括Jensen-Shannon divergence(JS散度)、Hellinger Distance(海林格距离)。

    • 参数

      • doc_text1(str): 输入的第一个文档。
      • doc_text2(str): 输入的第二个文档。

    • 返回

      • jsd(float): 两个文档之间的JS散度(Jensen-Shannon divergence)。
      • hd(float): 两个文档之间的海林格距离(Hellinger Distance)。

  • cal_doc_keywords_similarity(document, top_k=10)

    • 用于查找输入文档的前k个关键词及对应的与原文档的相似度。

    • 参数

      • document(str): 输入文档。
      • top_k(int): 查找输入文档的前k个关键词。

    • 返回

      • results(list): 包含每个关键词以及对应的与原文档的相似度。其中，list的基本元素为dict，dict的key为关键词，value为对应的与原文档的相似度。

  • cal_query_doc_similarity(query, document)

    • 用于计算短文档与长文档之间的相似度。

    • 参数

    • query(str): 输入的短文档。

    • document(str): 输入的长文档。

    • 返回

    • lda_sim(float): 返回短文档与长文档之间的相似度。

  • infer_doc_topic_distribution(document)

    • 用于推理出文档的主题分布。

      • 参数

        • document(str): 输入文档。

      • 返回

        • results(list): 包含主题分布下各个主题ID和对应的概率分布。其中，list的基本元素为dict，dict的key为主题ID，value为各个主题ID对应的概率。

  • show_topic_keywords(topic_id, k=10)

    • 用于展示出每个主题下对应的关键词，可配合推理主题分布的API使用。

      • 参数

        • topic_id(int): 主题ID。
        • k(int): 需要知道对应主题的前k个关键词。

      • 返回

        • results(dict): 返回对应文档的前k个关键词，以及各个关键词在文档中的出现概率。

• 1.0.0

  初始发布

• 1.0.1

  修复因为return的bug导致的NoneType错误

• 1.0.2

  修复由于Windowsgbk编码导致的问题