-
Notifications
You must be signed in to change notification settings - Fork 45
/
03_lda.qmd
410 lines (303 loc) · 13 KB
/
03_lda.qmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
---
title: "Latent Dirichlet Allocation (LDA)"
date: 2020-10-29T13:00:00Z
draft: false
weight: 30
slug: lda
type: book
tags:
- NLP
- Littérature
- Topics Modelling
- LDA
categories:
- Tutoriel
- NLP
description: |
La [Latent Dirichlet Allocation (LDA)](https://fr.wikipedia.org/wiki/Allocation_de_Dirichlet_latente)
est un modèle probabiliste génératif qui permet
de décrire des collections de documents de texte ou d’autres types de données discrètes.
La `LDA` fait
partie d’une catégorie de modèles appelés _"topic models"_, qui cherchent à découvrir des structures
thématiques cachées dans des vastes archives de documents. Le principe est de décomposer un
document comme une collection de thèmes qui se distinguent par des choix de mots différents.
image: https://upload.wikimedia.org/wikipedia/commons/thumb/d/d3/Latent_Dirichlet_allocation.svg/290px-Latent_Dirichlet_allocation.svg.png
---
::: {.cell .markdown}
```{python}
#| echo: false
#| output: 'asis'
#| include: true
#| eval: true
import sys
sys.path.insert(1, '../../') #insert the utils module
from utils import print_badges
#print_badges(__file__)
print_badges("content/NLP/03_lda.qmd")
```
:::
Cette page approfondit les exercices présentés dans la
[section précédente](#nlpexo).
On va ainsi continuer notre exploration de la littérature anglophones :
* Edgar Allan Poe, (EAP) ;
* HP Lovecraft (HPL) ;
* Mary Wollstonecraft Shelley (MWS).
Les données sont disponibles dans la base de
données [spooky.csv](https://github.com/GU4243-ADS/spring2018-project1-ginnyqg/blob/master/data/spooky.csv) et peuvent être
importées par `Python` en utilisant directement l'url
<https://github.com/GU4243-ADS/spring2018-project1-ginnyqg/raw/master/data/spooky.csv>.
Le but va être dans un premier temps de regarder dans le détail les termes les plus fréquents utilisés par les auteurs, et les représenter graphiquement.
Ce notebook est librement inspiré de :
* https://www.kaggle.com/enerrio/scary-nlp-with-spacy-and-keras
* https://github.com/GU4243-ADS/spring2018-project1-ginnyqg
* https://www.kaggle.com/meiyizi/spooky-nlp-and-topic-modelling-tutorial/notebook
La LDA est une technique d'estimation bayésienne.
Le [cours d'Alberto Brietti](http://alberto.bietti.me/files/rapport-lda.pdf)
sur le sujet constitue une très bonne ressource pour comprendre
les fondements de cette technique.
## Librairies nécessaires
Cette page évoquera les principales librairies pour faire du NLP, notamment :
* [WordCloud](https://github.com/amueller/word_cloud)
* [NLTK](https://www.nltk.org/)
* [SpaCy](https://spacy.io/)
* [Keras](https://keras.io/)
* [TensorFlow](https://www.tensorflow.org/)
::: {.cell .markdown}
```{=html}
<div class="alert alert-warning" role="alert">
<h3 class="alert-heading"><i class="fa-solid fa-lightbulb"></i> Hint</h3>
```
Comme dans la [partie précédente](#nlpexo), il faut télécharger quelques
éléments pour que `NTLK` puisse fonctionner correctement. Pour cela, faire:
~~~python
import nltk
nltk.download('stopwords')
nltk.download('punkt')
nltk.download('genesis')
nltk.download('omw-1.4')
~~~
```{=html}
</div>
```
:::
La liste des modules à importer est assez longue, la voici:
```{python}
import nltk
nltk.download('stopwords')
nltk.download('punkt')
nltk.download('genesis')
nltk.download('wordnet')
nltk.download('omw-1.4')
import numpy as np # linear algebra
import pandas as pd # data processing, CSV file I/O (e.g. pd.read_csv)
import matplotlib.pyplot as plt
from wordcloud import WordCloud
#from IPython.display import display
import base64
import string
import re
import nltk
from collections import Counter
from time import time
# from sklearn.feature_extraction.stop_words import ENGLISH_STOP_WORDS as stopwords
from sklearn.metrics import log_loss
import matplotlib.pyplot as plt
from nltk.stem import WordNetLemmatizer
from sklearn.feature_extraction.text import TfidfVectorizer, CountVectorizer
from sklearn.decomposition import NMF, LatentDirichletAllocation
```
## Données utilisées
*Si vous avez déjà lu la section précédente et importé les données, vous
pouvez passer à la section suivante*
Le code suivant permet d'importer le jeu de données `spooky`:
```{python}
import pandas as pd
url='https://github.com/GU4243-ADS/spring2018-project1-ginnyqg/raw/master/data/spooky.csv'
import pandas as pd
train = pd.read_csv(url,
encoding='latin-1')
train.columns = train.columns.str.capitalize()
train['ID'] = train['Id'].str.replace("id","")
train = train.set_index('Id')
```
Le jeu de données met ainsi en regard un auteur avec une phrase qu'il a écrite:
```{python}
train.head()
```
Les étapes de *preprocessing* sont expliquées dans le [chapitre précédent](#nlpexo). On applique les étapes suivantes :
1. Tokeniser
2. Retirer la ponctuation et les stopwords
3. Lemmatiser le texte
```{python}
lemma = WordNetLemmatizer()
train_clean = (train
.groupby(["ID","Author"])
.apply(lambda s: nltk.word_tokenize(' '.join(s['Text'])))
.apply(lambda words: [word for word in words if word.isalpha()])
)
from nltk.corpus import stopwords
stop_words = set(stopwords.words('english'))
train_clean = (train_clean
.apply(lambda words: [lemma.lemmatize(w) for w in words if not w in stop_words])
.reset_index(name='tokenized')
)
train_clean.head(2)
```
## Principe de la LDA (Latent Dirichlet Allocation)
Le modèle __Latent Dirichlet Allocation (LDA)__ est un modèle probabiliste génératif qui permet
de décrire des collections de documents de texte ou d’autres types de données discrètes. LDA fait
partie d’une catégorie de modèles appelés _"topic models"_, qui cherchent à découvrir des structures
thématiques cachées dans des vastes archives de documents.
Ceci permet d’obtenir des méthodes
efficaces pour le traitement et l’organisation des documents de ces archives: organisation automatique
des documents par sujet, recherche, compréhension et analyse du texte, ou même résumer des
textes.
Aujourd’hui, ce genre de méthodes s’utilisent fréquemment dans le web, par exemple pour
analyser des ensemble d’articles d’actualité, les regrouper par sujet, faire de la recommandation
d’articles, etc.
La LDA est une méthode qui considère les corpus comme des __mélanges__ de sujets et
de mots. Chaque document peut être représenté comme le résultat d'un mélange :
* de sujets
* et, au sein de ces sujets, d'un choix de mots.
L’estimation des
paramètres de la LDA passe par l’estimation des distributions des variables
latentes à partir des données observées (*posterior inference*).
Mathématiquement, on peut se représenter la LDA comme une
technique de maximisation de *log vraisemblance* avec un algorithme EM (*expectation maximisation*)
dans un modèle de mélange.
La matrice termes-documents qui sert de point de départ est la suivante :
| | word_1 | word_2 | word_3 | ... | word_J |
|---- |--------|--------|--------|-----|--------|
|doc_1| 3 | 0 | 1 | ... | 0 |
| ... | ... | ... | ... | ... | ... |
|doc_N| 1 | 0 | 0 | ... | 5 |
On dit que cette matrice est *sparse* (creuse en Français) car elle contient principalement des 0. En effet, un document n'utilise qu'une partie mineure du vocabulaire complet.
La LDA consiste à transformer cette matrice *sparse*document-terme en deux matrices de moindre dimension:
1. Une matrice document-sujet
2. Une matrice sujet-mots
En notant $K_i$ le sujet $i$. On obtient donc
* Une __matrice document-sujet__ ayant la structure suivante :
| | K_1 | K_2 | K_3 | ... | K_M |
|---- |--------|--------|--------|-----|--------|
|doc_1| 1 | 0 | 1 | ... | 0 |
| ... | ... | ... | ... | ... | ... |
|doc_N| 1 | 1 | 1 | ... | 0 |
* Une __matrice sujets-mots__ ayant la structure suivante :
| | word_1 | word_2 | word_3 | ... | word_J |
|---- |--------|--------|--------|-----|--------|
|K_1| 1 | 0 | 0 | ... | 0 |
| ... | ... | ... | ... | ... | ... |
|K_M| 1 | 1 | 1 | ... | 0 |
Ces deux matrices ont l'interprétation suivante :
* La première nous renseigne sur la présence d'un sujet dans un document
* La seconde nous renseigne sur la présence d'un mot dans un sujet
En fait, le principe de la LDA est de construire ces deux matrices à partir des fréquences d'apparition des mots dans le texte.
On va se concentrer sur Edgar Allan Poe.
```{python}
corpus = train_clean[train_clean["Author"] == "EAP"]
```
## Entraîner une LDA
Il existe plusieurs manières d'entraîner une LDA.
Nous allons utiliser `Scikit` ici avec la méthode `LatentDirichletAllocation`.
Comme expliqué dans la partie [modélisation](#modelisation) :
1. On initialise le modèle ;
2. On le met à jour avec la méthode `fit`.
```{python}
#| output: false
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.decomposition import LatentDirichletAllocation
# Initialise the count vectorizer with the English stop words
count_vectorizer = CountVectorizer(stop_words='english')# Fit and transform the processed titles
count_data = count_vectorizer.fit_transform(corpus['tokenized'].apply(lambda s: ' '.join(s)))
# Tweak the two parameters below
number_topics = 5
number_words = 10# Create and fit the LDA model
lda = LatentDirichletAllocation(n_components=11, max_iter=5,
learning_method = 'online',
learning_offset = 50.,
random_state = 0,
n_jobs = 1)
lda.fit(count_data)
```
## Visualiser les résultats
On peut déjà commencer par utiliser une fonction pour afficher les
résultats :
```{python}
# Helper function
def print_topics(model, count_vectorizer, n_top_words):
words = count_vectorizer.get_feature_names_out()
for topic_idx, topic in enumerate(model.components_):
print("\nTopic #%d:" % topic_idx)
print(" ".join([words[i]
for i in topic.argsort()[:-n_top_words - 1:-1]]))
print_topics(lda, count_vectorizer, number_words)
```
La représentation sous forme de liste de mots n'est pas la plus pratique...
On peut essayer de se représenter un *wordcloud* de chaque sujet pour mieux voir si cette piste est pertinente :
```{python, results = "hide"}
tf_feature_names = count_vectorizer.get_feature_names_out()
def wordcloud_lda(lda, tf_feature_names):
fig, axs = plt.subplots(len(lda.components_) // 3 + 1, 3)
for i in range(len(lda.components_)):
corpus_lda = lda.components_[i]
first_topic_words = [tf_feature_names[l] for l in corpus_lda.argsort()[:-50-1:-1]]
k = i // 3
j = (i - k*3)
wordcloud = WordCloud(stopwords=stop_words, background_color="black",width = 2500, height = 1800)
wordcloud = wordcloud.generate(" ".join(first_topic_words))
axs[k][j].set_title("Wordcloud pour le \nsujet {}".format(i))
axs[k][j].axis('off')
axs[k][j].imshow(wordcloud)
r = len(lda.components_) % 3
[fig.delaxes(axs[len(lda.components_) // 3,k-1]) for k in range(r+1, 3+1) if r != 0]
wc = wordcloud_lda(lda, tf_feature_names)
wc
```
```{python}
wc
```
Le module `pyLDAvis` offre quelques visualisations bien pratiques lorsqu'on
désire représenter de manière synthétique les résultats d'une LDA et observer la distribution sujet x mots.
::: {.cell .markdown}
```{=html}
<div class="alert alert-warning" role="alert">
<h3 class="alert-heading"><i class="fa-solid fa-lightbulb"></i> Hint</h3>
```
Dans un *notebook* faire :
~~~python
import pyLDAvis.sklearn
pyLDAvis.enable_notebook()
~~~
Pour les utilisateurs de Windows, il est nécessaire d'ajouter l'argument
`n_jobs = 1`. Sinon, `Python` tente d'entraîner le modèle avec de la
parallélisation. Le problème est que les processus sont des `FORKs`, ce que
Windows ne supporte pas. Sur un système `Unix` (Linux, Mac OS), on peut se passer de cet
argument.
```{=html}
</div>
```
:::
```{python}
#| output: hide
#| eval: false
#!pip install pyLDAvis #à faire en haut du notebook sur colab
import pyLDAvis
import pyLDAvis.sklearn
# pyLDAvis.enable_notebook()
vis_data = pyLDAvis.sklearn.prepare(lda, count_data, count_vectorizer, n_jobs = 1)
pyLDAvis.display(vis_data)
```
```{python}
#| echo: false
#| output: asis
#| eval: false
print(
pyLDAvis.prepared_data_to_html(vis_data)
)
```
* Chaque **bulle** représente un sujet. Plus la bulle est grande, plus il y a de documents qui traitent de ce sujet.
Plus les barres sont loin les unes des autres, plus elles sont différentes. Un bon modèle aura donc tendance à avoir de grandes bulles qui ne se recoupent pas. Ce n'est pas vraiment le cas ici...
* Les **barres bleues** représentent la fréquence de chaque mot dans le corpus.
* Les **barres rouges** représentent une estimation du nombre de termes générés dans un sujet précis. La barre rouge la plus longue correspond au mot le plus utilisé dans ce sujet.
## Références
* Le [poly d'Alberto Brietti](http://alberto.bietti.me/files/rapport-lda.pdf)