潜在的Dirichlet分配（LDA），是专为文本文档设计的主题模型。

术语说明：

• “word”=“term”：词汇表的元素。
• “token”：出现在文档中的term的实例。
• “topic”：主题，表示某种概念的词的多项分布。
• “document”： 文档，一段文本。

参考文献：原始LDA论文 (journal version): Blei, Ng, and Jordan. “Latent Dirichlet Allocation.” JMLR, 2003。

pyspark LDA

要在pyspark中应用LDA主题模型(spark python版LDA)，可以使用pyspark.mllib.clustering.LDA类的方法train， 该方法的声明如下：

train(rdd, k=10, maxIterations=20, docConcentration=-1.0, topicConcentration=-1.0, seed=None, checkpointInterval=10, optimizer='em')

LDA.train方法的参数说明

• rdd – 文档的RDD，它们是文档ID和单词（word）计数向量的元组。单词计数向量是具有固定大小词汇（其中词汇大小是向量的长度）的“词袋”。文档ID必须是唯一的并且 >= 0。
• k – 推断的主题数量，即软聚类中心数。 （默认值：10）
• maxIterations – 允许的最大迭代次数。 （默认值：20）
• docConcentration – 文档集中度参数（通常称为“alpha”），用于文档在主题上分布（“theta”）的先验。 （默认值：-1.0）
• topicConcentration – 主题集中度参数（通常称为“beta”或“eta”），用于主题在单词分布上的先验。 （默认值：-1.0）
• seed – 用于聚类初始化的随机种子。根据系统时间设置为无生成种子。 （默认值：无）
• checkpointInterval – 检查点之间的周期（迭代）。 （默认值：10）
• optimizer – 用于执行实际计算的LDAOptimizer。目前支持“em”，“online”。 （默认：“em”）

LDA建模示例

训练LDA模型并输出模型内容

>>> from pyspark.mllib.linalg import Vectors
>>> from numpy.testing import assert_almost_equal, assert_equal
>>> data = [
...     [1, Vectors.dense([0.0, 1.0])],
...     [2, SparseVector(2, {0: 1.0})],
... ]
>>> rdd =  sc.parallelize(data)
>>> model = LDA.train(rdd, k=2, seed=1)
>>> model.vocabSize()
2
>>> model.describeTopics()
[([1, 0], [0.5..., 0.49...]), ([0, 1], [0.5..., 0.49...])]
>>> model.describeTopics(1)
[([1], [0.5...]), ([0], [0.5...])]

LDA模型效果验证

>>> topics = model.topicsMatrix()
>>> topics_expect = array([[0.5,  0.5], [0.5, 0.5]])
>>> assert_almost_equal(topics, topics_expect, 1)

LDA模型文件的保存和读取

>>> import os, tempfile
>>> from shutil import rmtree
>>> path = tempfile.mkdtemp()
### 保存LDA模型
>>> model.save(sc, path)
#### 加载LDA模型
>>> sameModel = LDAModel.load(sc, path)
>>> assert_equal(sameModel.topicsMatrix(), model.topicsMatrix())
>>> sameModel.vocabSize() == model.vocabSize()
True
>>> try:
...     rmtree(path)
... except OSError:
...     pass

pyspark LDA模型的最新介绍参考：LDA