LDA*（Latent Dirichlet Allocation）

LDA是一种常见的主题模型算法。简单来说它是一个贝叶斯概率生成模型，用于对文档集进行降维或者潜在语义分析。

1. 算法介绍

整体说明

给定一个语料库LDA* - 图1,该语料库由一系列文档LDA* - 图2构成。每个文档LDA* - 图3则由一个序列的词构成，LDA* - 图4)。语料库中的词整体构成了一个词汇表LDA* - 图5。LDA模型需要人为指定模型的话题个数，这里用LDA* - 图6来表示。在LDA模型中，每个文档被表示成了一个LDA* - 图7维的话题分布，LDA* - 图8，而每个话题LDA* - 图9则被表示成一个LDA* - 图10维的词分布LDA* - 图11。

LDA模型对每个文档的生成过程进行了建模。在文档LDA* - 图12的生成过程中，LDA首先从狄利克雷分布LDA* - 图13)中采样出一个LDA* - 图14维的话题分布LDA* - 图15，这里的LDA* - 图16是狄利克雷分布的超参数。对于文档LDA* - 图17中的每个词LDA* - 图18，LDA模型首先从多项分布LDA* - 图19)中采样出该词的话题LDA* - 图20，然后再从多项分布LDA* - 图21)中采样出单词LDA* - 图22。

Gibbs Sampling

求解LDA模型的过程通常使用Gibbs Sampling方法，通过采样出大量符合后验分布的样本LDA* - 图23,从而对每个文档的话题分布和话题的词分布进行估计估计。目前对LDA的Gibbs Sampling方法有大概6中，包括 Collapsed Gibbs Sampling(CGS), SparseLDA,AliasLDA, F+LDA, LightLDA和WarpLDA。我们通过实验和分析, 认为F+LDA比较适合用于在Angel上进行LDA模型的训练。

Collapsed Gibbs Sampling

如果我们使用LDA* - 图24来表示所有词的话题，用LDA* - 图25来表示维度为LDA* - 图26的话题-词矩阵，用LDA* - 图27来表示所有文档的话题分布矩阵。那LDA模型的训练过程则是在给定观测变量LDA* - 图28和超参数的条件下，求解隐变量LDA* - 图29)的后验概率分布。CGS通过分布之间共轭的性质将LDA* - 图30通过积分积掉，从而CGS只用迭代地采样每个词的话题LDA* - 图31。采样的条件概率公式如下：

LDA* - 图32\propto\frac{C{wk}^{\neg%20dn}+\beta}{C{k}^{\neg%20dn}+V\beta}~(C_{dk}^{\neg%20dn}+\alpha))

F+LDA

F+LDA通过将概率公式进行了分解成两部分LDA* - 图33和LDA* - 图34。利用LDA* - 图35矩阵的稀疏性，从而在采样时可以只用访问非零的部分，降低了算法的复杂度。对于另一个部分，F+LDA采用F+树来进行查找，可以将复杂度降低到O(logK)。从而F+LDA的复杂度为LDA* - 图36)，LDA* - 图37是文档-话题矩阵中非零元素的个数。

2. 分布式训练 on Angel

在Angel中进行LDA模型的训练，整体的框架如下图所示。对于LDA模型中的两个较大的矩阵LDA* - 图38和LDA* - 图39，我们将C_d矩阵划分到不同的worker上，将C_w矩阵划分到不同的server上。在每一轮迭代中，worker从server上拉取C_w矩阵，从而进行话题的采样，在迭代结束时将对C_w矩阵的更新发送回server节点。

Architecture for LDA on Angel

3. 运行 & 性能

  • 输入格式

输入数据分为多行，每行是一个文档，每个文档的第一个部分是文档的ID，文档的ID可以是字符串或者数字；文档ID后紧跟一个\t字符，然后由一系列的词id构成，词id之间由空格隔开

  1.   docId\twid_0 wid_1 ... wid_n

  • 模型训练

    • 输入

      • angel.train.data.path: 输入数据路径
      • angel.save.model.path: 模型保存路径

    • 输出配置

      • save.doc.topic=true: 是否保存doc-topic矩阵
      • save.word.topic=true: 是否保存word-topic矩阵
      • save.doc.topic.distribution=true: 是否保存doc.topic分布
      • save.topic.word.distribution=true: 是否保存topic.word分布

    • 算法参数

      • ml.epoch.num: 算法迭代次数
      • ml.lda.word.num：词个数
      • ml.lda.topic.num：话题个数
      • ml.worker.thread.num：worker内部并行度
      • ml.lda.alpha: alpha参数
      • ml.lda.beta: beta参数

  • 结果预测

    • 输入与输出
      • angel.predict.data.path：预测数据的输入路径
      • angel.predict.out.path：预测结果存储路径
      • angel.load.model.path: 预测时模型加载路径（即训练时模型保存路径）

  • 注意事项

    • 目前angel lda上的输出需要对词语进行编号，最好保证编号从0开始，并且连续，输入文件中需要将文档中的词语换成编号。词语到编号的映射关系需要用户自行维护。

  • 参数说明

    • 输入输出路径均为HDFS路径
    • 预测是需要给定话题个数与训练时需相同，预测时需要给定最大word ID，或者给一个较大的值，保证能覆盖所有词语ID。

  • 输出格式说明

    • doc-topic矩阵：每行是一个文档，格式为libsvm格式，第一个元素是文档id，后面每一个key:value表示该文档中有多少个词语（value）赋予到了话题（key）。Angel中采用吉布斯采样来求解LDA，本质即是为每个词语赋予话题，用于可以根据根据该矩阵估计每个文档中的话题分布。
    • doc.topic.distribution: 每行是一个文档，格式为libsvm格式，第一个元素是文档id，后面每一个key:value表示每个话题的概率。这里的概率即根据doc-topic矩阵算出，具体的公式可参看LDA原文。我们这里只给出了上述非零赋值的话题概率，剩余每个话题的概率相等，可以自行算出。
    • word-topic: 每行是一个词语，格式为libsvm，第一个元素是word id，后面每一个key:value表示在该词语的所有出现中，每个话题（key)分配到了多少个词语（value)。word-topic是预测时必须的参数，如要进行预测，请保存word-topic。一般根据word-topic，可以估计出每个word在话题上的分布。如果发现一些word没有话题分配信息，是因为这个词语在整个文档集中没有出现。
    • topic.word.distribution: 每行是一个话题，格式为libsvm，第一个元素是topic id，后面的key:value表示每个话题在词语集合上的概率分布。我们这里也只给出了非零赋值的概率，剩余的词语概率相等，可以自行算出。

  • 性能

    • 测试数据

    • PubMED 数据集

    • 资源

    • worker：20个

    • ps：20个

    • Angel vs Spark: 迭代100次的训练时间

      • Angel：15min
    • Spark：>300min

Reference

  1. Lele Yu, Bin Cui, Ce Zhang, Yingxia Shao. LDA*: A Robust and Large-scale Topic Modeling System. VLDB, 2017