如何使用R中的seededlda包来保留主题的用户标识

问题描述

我一直在尝试对 MOOC 中的一组讨论论坛帖子进行主题建模。我尝试过基本的LDA来创建主题，主题没有意义。所以现在我正在研究播种我的主题以创建更好的主题。我找到了 seededlda 包，它需要一个 dfm 作为输入以及一个种子术语字典。它运作良好！我的问题是弄清楚每个文档或论坛帖子是如何分类的。

我的原始数据将“userid”作为变量，将“post”作为我用于 LDA 的文档。到目前为止，我的代码看起来像这样。

text <- introduction_posts$post
dfmt <- dfm(text,remove_number = TRUE) %>%
  dfm_remove(stopwords('en'),min_nchar = 2)
#install.packages("seededlda")
library(seededlda)
slda <- textmodel_seededlda(dfmt,seeded_dict,valuetype = c("glob","regex","fixed"),case_insensitive = FALSE,residual = TRUE,weight = 0.01,max_iter = 2000,alpha = NULL,beta = NULL,verbose = quanteda_options("verbose")
)
terms <- terms(slda)

如何确定哪些字词属于哪个用户？

当我使用topicmodeling包下的LDA函数时，我使用了这样定义的文档术语矩阵

posts_dtm <- CreateDtm(doc_vec = introduction_posts$post,# character vector of documents
                 doc_names = introduction_posts$userid_bycourse,# document names
                 ngram_window = c(1,2),# minimum and maximum n-gram length
                 stopword_vec = c(stopwords::stopwords("en"),# stopwords from tm
                                  stopwords::stopwords(source = "smart"))

它在文件进行时命名。最后，我能够很好地看到哪些主题属于哪些参与者。但是我似乎无法使用 seededlda 包使用的 dfm 来做到这一点。

任何帮助将不胜感激。

解决方法

在我看来，更多的是关于如何使用 quanteda 而非 seeddlda 构建 dfm。

dat <- data.frame(user = c("user1","user2","user3","user4","user5"),post = c("a f","b dd","e g","g a","f b"))
dat
#    user post
# 1 user1  a f
# 2 user2 b dd
# 3 user3  e g
# 4 user4  g a
# 5 user5  f b

corp <- corpus(dat,docid_field = "user",text_field = "post")
dfmt <- dfm(corp)
dfmt
# Document-feature matrix of: 5 documents,6 features (66.7% sparse).
#        features
# docs    a f b dd e g
#   user1 1 1 0  0 0 0
#   user2 0 0 1  1 0 0
#   user3 0 0 0  0 1 1
#   user4 1 0 0  0 0 1
#   user5 0 1 1  0 0 0

对于 seeddlda，它的 topics() 不返回带有文档名称的向量，但您可以给出名称。

topic <- topics(slda)
names(topic) <- docnames(dfmt)