R语言对NASA元数据进行文本挖掘的主题建模分...

原文链接：http://tecdat.cn/?p=9424

目录

什么是主题建模？

获取和整理NASA元数据

制作DocumentTermMatrix

LDA主题建模

探索建模

每个文档都属于哪个主题？

将主题建模连接到关键字

NASA有32,000多个数据集，并且NASA有兴趣了解这些数据集之间的联系，以及与NASA以外其他政府组织中其他重要数据集的联系。有关NASA数据集的元数据有JSON格式在线获得。让我们使用主题建模对描述字段进行分类，然后将其连接到关键字。

什么是主题建模？

主题建模是一种无监督的文档分类方法。此方法将每个文档建模为主题的混合，将每个主题建模为单词的混合。我将在这里用于主题建模的方法称为  潜在Dirichlet分配（LDA），  但还有其他适合主题模型的可能性。在本文中，每个数据集描述都是一个文档。我们将看看是否可以将这些描述文本作为主题进行建模。

获取和整理NASA元数据

让我们下载32,000多个NASA数据集的元数据 。

library(jsonlite)library(dplyr)library(tidyr)names(metadata$dataset)## [1] "_id" "@type" "accessLevel" "accrualPeriodicity"## [5] "bureauCode" "contactPoint" "description" "distribution" ## [9] "identifier" "issued" "keyword" "landingPage" ## [13] "language" "modified" "programCode" "publisher" ## [17] "spatial" "temporal" "theme" "title" ## [21] "license" "isPartOf" "references" "rights" ## [25] "describedBy"nasadesc <- data_frame(id = metadata$dataset$`_id`$`$oid`, desc = metadata$dataset$description)nasakeyword <- id="metadata$dataset$`_id`$`$oid`," keyword="metadata$dataset$keyword)">% unnest(keyword)nasakeyword <- nasakeyword="">% mutate(keyword = toupper(keyword))

检查一下，最常用的关键字是什么？

nasakeyword %>% group_by(keyword) %>% count(sort = TRUE)## # A tibble: 1,616 x 2## keyword n#### 1 EARTH SCIENCE 14386## 2 OCEANS 10033## 3 PROJECT 7463## 4 OCEAN OPTICS 7324## 5 ATMOSPHERE 7323## 6 OCEAN COLOR 7270## 7 COMPLETED 6452## 8 ATMOSPHERIC WATER VAPOR 3142## 9 LAND SURFACE 2720## 10 BIOSPHERE 2449## # ... with 1,606 more rows

制作DocumentTermMatrix

要进行主题建模，我们需要从tm包中创建一种  特殊的矩阵（当然，“文档矩阵”只是一个通用概念）。行对应于文档（在本例中为描述文字），列对应于术语（即单词）；它是一个稀疏矩阵。

让我们使用停用词来清理一下文本，以除去HTML或其他字符编码中残留的一些废话“词”。 

## # A tibble: 1,909,215 x 3## id word n#### 1 55942a8ec63a7fe59b4986ef suit 82## 2 55942a8ec63a7fe59b4986ef space 69## 3 56cf5b00a759fdadc44e564a data 41## 4 56cf5b00a759fdadc44e564a leak 40## 5 56cf5b00a759fdadc44e564a tree 39## 6 55942a8ec63a7fe59b4986ef pressure 34## 7 55942a8ec63a7fe59b4986ef system 34## 8 55942a89c63a7fe59b4982d9 em 32## 9 55942a8ec63a7fe59b4986ef al 32## 10 55942a8ec63a7fe59b4986ef human 31## # ... with 1,909,205 more rows

现在让我们来制作  DocumentTermMatrix。

## <>## Non-/sparse entries: 1909215/1147350518## Sparsity : 100%## Maximal term length: 166## Weighting : term frequency (tf)

LDA主题建模

现在，让我们使用  topicmodels  包创建一个LDA模型。我们将告诉算法进行多少个主题？这个问题很像k-means聚类中的问题；我们不提前知道。我们可以尝试一些不同的值，查看模型如何拟合文本。让我们从8个主题开始。

## A LDA_VEM topic model with 8 topics.

这是一种随机算法，根据算法的起始位置，其结果可能会有所不同。

探索建模

让我们整理模型，看看我们能找到什么。

## # A tibble: 287,288 x 3## topic term beta#### 1 1 suit 2.591273e-40## 2 2 suit 9.085227e-61## 3 3 suit 1.620165e-61## 4 4 suit 2.081683e-64## 5 5 suit 9.507092e-05## 6 6 suit 5.747629e-04## 7 7 suit 1.808279e-63## 8 8 suit 4.545037e-40## 9 1 space 2.332248e-05## 10 2 space 2.641815e-40## # ... with 287,278 more rows

β列告诉我们从该主题的文档中生成该术语的可能性。

每个主题的前5个词是什么？

top_terms## # A tibble: 80 x 3## topic term beta#### 1 1 data 0.047596842## 2 1 set 0.014857522## 3 1 soil 0.013231077## 4 1 land 0.007874196## 5 1 files 0.007835032## 6 1 moisture 0.007799017## 7 1 surface 0.006913904## 8 1 file 0.006495391## 9 1 collected 0.006350559## 10 1 measurements 0.005521037## # ... with 70 more rows

让我们看一下。

ggplot(top_terms, aes(beta, term, fill = as.factor(topic))) + geom_barh(stat = "identity", show.legend = FALSE, alpha = 0.8) + labs(title = "Top 10 Terms in Each LDA Topic", subtitle = "Topic modeling of NASA metadata description field texts", caption = "NASA metadata from https://data.nasa.gov/data.json", y = NULL, x = "beta") + facet_wrap(~topic, ncol = 2, scales = "free") + theme_tufte(base_family = "Arial", base_size = 13, ticks = FALSE) + scale_x_continuous(expand=c(0,0)) + theme(strip.text=element_text(hjust=0)) + theme(plot.caption=element_text(size=9))

我们可以看到在这些描述文本中占主导地位的词“数据”是什么。从关于土地和土地的术语到关于设计，系统和技术的术语，这些术语集合之间确实存在着有意义的差异。绝对需要进一步探索，以找到合适数量的主题并在这里做得更好。另外，标题和描述词是否可以结合用于主题建模？

每个文档都属于哪个主题？

让我们找出哪些主题与哪些描述字段（即文档）相关联。

lda_gamma## # A tibble: 256,024 x 3## document topic gamma#### 1 55942a8ec63a7fe59b4986ef 1 7.315366e-02## 2 56cf5b00a759fdadc44e564a 1 9.933126e-02## 3 55942a89c63a7fe59b4982d9 1 1.707524e-02## 4 56cf5b00a759fdadc44e55cd 1 4.273013e-05## 5 55942a89c63a7fe59b4982c6 1 1.257880e-04## 6 55942a86c63a7fe59b498077 1 1.078338e-04## 7 56cf5b00a759fdadc44e56f8 1 4.208647e-02## 8 55942a8bc63a7fe59b4984b5 1 8.198155e-05## 9 55942a6ec63a7fe59b496bf7 1 1.042996e-01## 10 55942a8ec63a7fe59b4986f6 1 5.475847e-05## # ... with 256,014 more rows

此处的γ列是每个文档属于每个主题的概率。请注意，有些非常低，有些更高。概率如何分布？

ggplot(lda_gamma, aes(gamma, fill = as.factor(topic))) + geom_histogram(alpha = 0.8, show.legend = FALSE) + facet_wrap(~topic, ncol = 4) + scale_y_log10() + labs(title = "Distribution of Probability for Each Topic", subtitle = "Topic modeling of NASA metadata description field texts", caption = "NASA metadata from https://data.nasa.gov/data.json", y = NULL, x = "gamma") + theme_minimal(base_family = "Arial", base_size = 13) + theme(strip.text=element_text(hjust=0)) + theme(plot.caption=element_text(size=9))

y轴在此处以对数刻度绘制，因此我们可以看到一些东西。大多数文档都被归类为以下主题之一：许多文档被归类为主题2，而文档被归类为主题1和5则较不明确。一些主题的文档较少。对于任何单个文档，我们都可以找到它具有最高归属概率的主题。

将主题建模连接到关键字

让我们将这些主题模型与关键字联系起来，看看会发生什么。让我们 将此数据框添加到关键字，然后查看哪些关键字与哪个主题相关联。

lda_gamma## # A tibble: 1,012,727 x 4## document topic gamma keyword#### 1 55942a8ec63a7fe59b4986ef 1 7.315366e-02 JOHNSON SPACE CENTER## 2 55942a8ec63a7fe59b4986ef 1 7.315366e-02 PROJECT## 3 55942a8ec63a7fe59b4986ef 1 7.315366e-02 COMPLETED## 4 56cf5b00a759fdadc44e564a 1 9.933126e-02 DASHLINK## 5 56cf5b00a759fdadc44e564a 1 9.933126e-02 AMES## 6 56cf5b00a759fdadc44e564a 1 9.933126e-02 NASA## 7 55942a89c63a7fe59b4982d9 1 1.707524e-02 GODDARD SPACE FLIGHT CENTER## 8 55942a89c63a7fe59b4982d9 1 1.707524e-02 PROJECT## 9 55942a89c63a7fe59b4982d9 1 1.707524e-02 COMPLETED## 10 56cf5b00a759fdadc44e55cd 1 4.273013e-05 DASHLINK## # ... with 1,012,717 more rows

让我们保留属于某个主题的文档（概率> 0.9），然后为每个主题找到最重要的关键字。

top_keywords## Source: local data frame [1,240 x 3]## Groups: topic [8]## ## topic keyword n#### 1 2 OCEAN COLOR 4480## 2 2 OCEAN OPTICS 4480## 3 2 OCEANS 4480## 4 1 EARTH SCIENCE 3469## 5 5 PROJECT 3464## 6 5 COMPLETED 3057## 7 8 EARTH SCIENCE 2229## 8 3 OCEAN COLOR 1968## 9 3 OCEAN OPTICS 1968## 10 3 OCEANS 1968## # ... with 1,230 more rows

我们也对它们进行可视化。

ggplot(top_keywords, aes(n, keyword, fill = as.factor(topic))) + geom_barh(stat = "identity", show.legend = FALSE, alpha = 0.8) + labs(title = "Top 10 Keywords for Each LDA Topic", subtitle = "Topic modeling of NASA metadata description field texts", caption = "NASA metadata from https://data.nasa.gov/data.json", y = NULL, x = "Number of documents") + facet_wrap(~topic, ncol = 2, scales = "free") + theme_tufte(base_family = "Arial", base_size = 13, ticks = FALSE) + scale_x_continuous(expand=c(0,0)) + theme(strip.text=element_text(hjust=0)) + theme(plot.caption=element_text(size=9))