使用DTM ( Dynamic Topic Models )进行主题演化实验

最近想研究下Dynamic Topic Models（DTM），论文看了看，文科生的水平确实是看不懂，那就实验一下吧，正好Blei的主页上也提供了相应的C++工具， http://www.cs.princeton.edu/~blei/topicmodeling.html，dtm这个代码放在google code中，下载需要fq。

下载了之后看了看，C++确实是不懂，但是在github上搜了一遭，也没找到完美的java版本，所以只能硬着头皮用C++了。

同时也去网上找找看看有没有人做过类似的工作，一搜确实是有，但是不多：

1、一哥们的实验，在linux下，http://www.jgoodwin.net/experimenting-with-dynamic-topic-models/

2、一些人的疑问，有没有python版本，答案是没有。http://stackoverflow.com/questions/22469506/are-there-any-efficient-python-libraries-for-dynamic-topic-models-preferably-ex

3、邮件列表 https://lists.cs.princeton.edu/pipermail/topic-models/

 

看了这么多，也没看明白是什么意思，还是自己慢慢搞吧。

第1步：安装系统

　　下载个centos5.5，这个在readme文件中有说明，作者就是这个版本编译的，我安装到了VMware中，当然还有另外的两个版本可以用。

第2步：编译文件

　　这个在readme文件中也有说明，把文件放到相应目录，make一下就行了。

第3步：作者建议先用他的文件里面带的一个小例子试验一下。

　　在dtm/sample.sh文件中有说明。

   （1）输入文件。

　　两个输入文件是必须的，这些文件在dtm/example文件夹下面可以看到，是test-mult.dat和test-seq.dat。

     a：foo-mult.dat ，用来表示文档和词的关系

　　　每个文档一行，每一行形式是： unique_word_count index1:count1 index2:count2 ... indexn:counnt

　　　用中文来说就是：该文章的总词数（不重复） 词1编号（用数字表示编号）：词1频次 词2编号：词2频次   词n编号：词n频次

　　　例如：11 288:1 1248:1 5:1 1063:2 269:1 654:1 656:2 532:1 373:1 1247:1 543:1  

　　　表示这篇一共有11个不重复的词，第228个词出现1次，1248个词出现1次，这些词是所有文档中统一编号的。

         需要注意的一点是：该文件中文档是按时间顺序排列的，时间最早的在最上面，时间最晚的在最下面。

　 b：foo-deq.dat ，这文件是用来划分时间窗的。

　　　　文件格式如下：

　　　　　　　　Number_Timestamps（时间窗总数）
　　　　　　　　number_docs_time_1（第一个时间窗的文档数，就是从第一个到第几个文档划分到第一个时间窗，我们如果按年来划分，就把每年的文档数写到这里就行）
　　　　　　　　　...
　　　　　　　　number_docs_time_i
　　　　　　　　...
　　　　　　　　number_docs_time_NumberTimestamps

           作者提供的例子，第一行表示分为10个时间窗，第二行表示第一个时间窗有25个文档。（看样子估计也是按年划分的）：

　　　　　　　　　　10
　　　　　　　　　　25
　　　　　　　　　　50
　　　　　　　　　　75
　　　　　　　　　　100
　　　　　　　　　　100
　　　　　　　　　　100
　　　　　　　　　　100
　　　　　　　　　　125
　　　　　　　　　　150
　　　　　　　　　　175

     当上面两个文件搞定后。作者说还有两个文件虽然不是必须的，但是也是很有用的。

     C： 词典文件

　　　文档集合中涉及的所有的词，按照上面的词的序号排列。

     d：文档信息文件

　　　每行表示一个文档的基本信息，按照文档a中的顺序排列。

        上述文件都可以用text2ldac生成，在https://github.com/JoKnopp/text2ldac下载，用python打开。

 　　 使用方法，在命令行中，找到text2ldac.py目录，运行 python text2ldac.py -o ./out -e txt ./in

　　　　out文件夹为输出文件位置，in文件夹为输入文件位置。 txt为仅处理txt文件

　　（2）运行程序

　　　作者在readme文件中说，通过运行./main --help命令可以查看所有选项和解释，下面是运行该命令后的结果，太多了啊

　　

Flag initialize_lda is of type bool, but its default value is not a boolean. NOTE: This will soon be a compilations error!main: Warning: SetUsageMessage() never called

Flags from ../lib/util/gflags-1.1/src/gflags.cc:
-flagfile (load flags from file) type: string default: ""
-fromenv (set flags from the environment [use 'export FLAGS_flag1=value'])
type: string default: ""
-tryfromenv (set flags from the environment if present) type: string
default: ""
-undefok (comma-separated list of flag names that it is okay to specify on
the command line even if the program does not define a flag with that
name. IMPORTANT: flags in this list that have arguments MUST use the
flag=value format) type: string default: ""

Flags from ../lib/util/gflags-1.1/src/gflags_completions.cc:
-tab_completion_columns (Number of columns to use in output for tab
completion) type: int32 default: 80
-tab_completion_word (If non-empty, HandleCommandLineCompletions() will
hijack the process and attempt to do bash-style command line flag
completion on this value.) type: string default: ""

Flags from ../lib/util/gflags-1.1/src/gflags_reporting.cc:
-help (show help on all flags [tip: all flags can have two dashes])
type: bool default: true
-helpfull (show help on all flags -- same as -help) type: bool
default: false
-helpmatch (show help on modules whose name contains the specified substr)
type: string default: ""
-helpon (show help on the modules named by this flag value) type: string
default: ""
-helppackage (show help on all modules in the main package) type: bool
default: false
-helpshort (show help on only the main module for this program) type: bool
default: false
-helpxml (produce an xml version of help) type: bool default: false
-version (show version and build info and exit) type: bool default: false

Flags from data.c:
-influence_flat_years (How many years is the influence nonzero?If nonpositive, a lognormal distribution is used.)

　　　　type: int32 default: -1
-influence_mean_years (How many years is the mean number of citations?)
　　type: double default: 20
-influence_stdev_years (How many years is the stdev number of citations?)
　　type: double default: 15
-max_number_time_points (Used for the influence window.) type: int32
　　default: 200
-resolution (The resolution. Used to determine how far out the beta mean should be.)

　　 type: double default: 1
-sigma_c (c stdev.) type: double default: 0.050000000000000003
-sigma_cv (Variational c stdev.) type: double
　　default: 9.9999999999999995e-07
-sigma_d (If true, use the new phi calculation.) type: double
　　default: 0.050000000000000003
-sigma_l (If true, use the new phi calculation.) type: double
　　default: 0.050000000000000003
-time_resolution (This is the number of years per time slice.) type: double
　　default: 0.5

Flags from gsl-wrappers.c:
-rng_seed (Specifies the random seed. If 0, seeds pseudo-randomly.)
　　type: int64 default: 0

Flags from lda-seq.c:
-fix_topics (Fix a set of this many topics. This amounts to fixing these topics' variance at 1e-10.)

　　type: int32 default: 0
-forward_window (The forward window for deltas. If negative, we use a beta with mean 5.)

　　 type: int32 default: 1
-lda_sequence_max_iter (The maximum number of iterations.)

　　type: int32
　　default: 20
-lda_sequence_min_iter (The maximum number of iterations.)

　　 type: int32 default: 1
-normalize_docs (Describes how documents's wordcounts are considered for finding influence. Options are "normalize", "none", "occurrence", "log", or "log_norm".)

　　type: string default: "normalize"
-save_time (Save a specific time. If -1, save all times.)

　　type: int32 default: 2147483647

Flags from lda.c:
-lambda_convergence (Specifies the level of convergence required for lambda in the phi updates.)

　　type: double default: 0.01

Flags from main.c:
-alpha () type: double default: -10
-corpus_prefix (The function to perform. Can be dtm or dim.)

　　 type: string default: ""
-end () type: int32 default: -1
-heldout_corpus_prefix () type: string default: ""
-heldout_time (A time up to (but not including) which we wish to train, and at which we wish to test.) type: int32 default: -1
-initialize_lda (If true, initialize the model with lda.) type: bool
default: false
-lda_max_em_iter () type: int32 default: 20
-lda_model_prefix (The name of a fit model to be used for testing likelihood. Appending "info.dat" to this should give the name of the
file.) type: string default: ""
-mode (The function to perform. Can be fit, est, or time.) type: string
default: "fit"
-model (The function to perform. Can be dtm or dim.)

　　type: string default: "dtm"
-ntopics () type: double default: -1
-outname () type: string default: ""
-output_table () type: string default: ""
-params_file (A file containing parameters for this run.) type: string
default: "settings.txt"
-start () type: int32 default: -1
-top_chain_var () type: double default: 0.0050000000000000001
-top_obs_var () type: double default: 0.5

  　输入下面的命令（后面的注释是我自己加的，。如果影响运行请去掉）

./main                /*main函数*/
--ntopics=20      /*每个时间窗生成20个主题*/                 
--mode=fit        /*这个应该有dim和fit两个选项*/     
--rng_seed=0
--initialize_lda=true
--corpus_prefix=example/test
--outname=example/model_run
--top_chain_var=0.005
--alpha=0.01
--lda_sequence_min_iter=6
--lda_sequence_max_iter=20
--lda_max_em_iter=10

   　　　　　　　　　　　　　　　　　

       （2）输出结果。  上面文件完成之后，通过运行程序生成下面的文件，并且可以通过R查看结果，我们就可以用这个结果进行分析。

　　　a　topic-???-var-e-log-prob.dat:      

　　　　　　主要是 e-betas（词在每个主题内每个时间段的分布），一行是一个词。

　　　　　　从文件中，我们看以看到每行只有一个数字。

　　　　　　可以在dtmexamplemodel_runlda-seq中看到例子，他这个应该是有48240行，应该是有4824个词，每个时间窗内有4824个词？？。作者同时给出了在R中查看这些矩阵的方法。比如查看某个词在某个主题的某一个时间段的概率。

        b gam.dat 

                 gammas数据。表示文档与主题的关联。