通过限制语料库文档的字长来提高潜在狄氏分配（LDA）性能

Question

我一直在使用Python（gensim包）中的潜在Dirichlet分配（LDA）生成客户评论的yelp数据集的主题。在生成标记时，我只选择具有长度的单词

from nltk.tokenize import RegexpTokenizer
tokenizer = RegexpTokenizer(r'\w{3,}')
tokens = tokenizer.tokenize(review)

这将允许我们在创建语料库文档时过滤掉长度小于3的嘈杂单词

用LDA算法过滤掉这些单词将如何影响性能？

Answer 1

长度小于3的单词被视为停止词。LDAs生成主题，因此假设您生成此主题：

[我，他，她，他们，我们，和，或，对]

相比：

[鲨鱼，公牛，大白鲨，锤头鲸，鲸鱼]

哪个更能说明问题？这就是为什么删除stopwords很重要的原因。我就是这样做的：

# Create functions to lemmatize stem, and preprocess

# turn beautiful, beautifuly, beautified into stem beauti 
def lemmatize_stemming(text):
    stemmer = PorterStemmer()
    return stemmer.stem(WordNetLemmatizer().lemmatize(text, pos='v'))

# parse docs into individual words ignoring words that are less than 3 letters long
# and stopwords: him, her, them, for, there, ect since "their" is not a topic.
# then append the tolkens into a list
def preprocess(text):
    result = []
    for token in gensim.utils.simple_preprocess(text):
        newStopWords = ['your_stopword1', 'your_stopword2']
        if token not in gensim.parsing.preprocessing.STOPWORDS and token not in newStopWords and len(token) > 3:
            nltk.bigrams(token)
            result.append(lemmatize_stemming(token))
    return result

Answer 2

一般来说，对于英语来说，一个字母和两个字母的单词不会添加有关主题的信息。如果它们没有增值，则应在预处理步骤中将其删除。与大多数算法一样，更少的数据将加快执行时间。