LDA 主题模型简介

什么是 LDA？

LDA（Latent Dirichlet Allocation，隐含狄利克雷分布）是一种生成式概率模型，常用于从大量文档中自动发现隐藏的主题结构。它假设每篇文档是由多个主题混合而成，而每个主题又由一组特定的词语概率分布构成。

本项目的功能

本项目基于 R 语言的 topicmodels 包，实现以下流程：

1. 数据读取：加载包含文本数据的 CSV 文件。
2. 文本清洗：执行大小写转换、去除数字、停用词过滤及空白字符处理。
3. 矩阵构建：将清洗后的文本转化为文档 - 术语矩阵（DTM）。
4. 模型训练：使用吉布斯采样或变分推断算法训练 LDA 模型，提取指定数量的主题。
5. 结果输出：导出每个主题下权重最高的关键词列表。

适用场景

• 新闻文章分类
• 用户评论情感倾向背后的话题挖掘
• 学术论文关键词自动聚类
• 社交媒体热点话题发现

结果展示说明

本部分描述运行 main.R 脚本后的预期文字输出结果，无需图片即可理解模型效果。

1. 控制台终端输出

当用户在 R 环境中运行脚本后，控制台将直接打印出一个矩阵形式的文本块。

• 输入触发：执行 print(top_terms) 命令。
• 输出内容描述：

屏幕将显示一个 5 行（对应设定的 5 个主题）× 10 列（每个主题前 10 个词）的字符矩阵。

- 第一列标记为 `Topic 1`，其右侧依次列出该主题下概率最高的 10 个单词（例如："economy", "market", "stock", "trade"...）。
- 第二列标记为 `Topic 2`，列出另一组词汇（例如："game", "team", "player", "score"...）。
- 依此类推，直到 `Topic 5`。
- 这些词汇代表了算法自动归纳出的不同语义簇，直观展示了文档集中讨论的主要方向。

2. 文件生成反馈

脚本运行结束时，控制台会输出一行确认信息。

• 输入触发：脚本执行到最后一步 cat() 函数。
• 输出内容描述：

终端显示字符串："LDA 模型训练完成，结果已保存至 lda_topics_result.csv"。
这表明当前工作目录下已生成一个名为 lda_topics_result.csv 的文件。

- 若用户打开该 CSV 文件，将看到结构化数据：第一列为主题编号（Topic_1 到 Topic_5），后续列为对应的关键词及其权重值（或直接列出关键词），便于后续报告撰写或进一步分析。