Megvalósítás: A topicmodels csomag egy interfészt biztosít a GSL C és C ++ kódhoz Blei et al. és Phan és mtsai. A korábbiaknál a Variational EM-t használja, az utóbbiakhoz Gibbs mintavételt. Lásd: http://www.jstatsoft.org/v40/i13/paper. A csomag jól működik a tm csomag segédprogramjaival.

Az lda csomag egy összecsukott Gibbs Samplert használ számos olyan modellhez, amely hasonló a GSL könyvtárhoz. Ezt azonban maga a csomag készítői hajtották végre, nem Blei et al. Ez a megvalósítás tehát általánosságban eltér az eredeti, ezeket a modellváltozatokat bemutató cikkekben javasolt becslési technikától, ahol általában a VEM algoritmust alkalmazzák. Másrészt a csomag több funkcionalitást kínál, mint a másik csomag. A csomag szövegbányászati ​​funkciókat is biztosít.

Bővíthetőség: A bővíthetőség tekintetében a topicmodel kód jellegénél fogva kiterjeszthető más C és C ++ nyelven írt témamodell kódok felületére. Úgy tűnik, hogy az lda csomag jobban támaszkodik a szerzők által biztosított konkrét megvalósításra, de ott a Gibbs mintavevő lehetővé teheti a saját témamodell megadását. A kiterjeszthetőség kérdéseiben nem más, az előbbi a GPL-2, az utóbbi az LGPL licenccel rendelkezik, ezért függhet attól, hogy mire kell kiterjesztenie (a GPL-2 szigorúbb a nyílt forráskód szempontjából, azaz nem tudja használni saját szoftverben).

Teljesítmény: Itt nem tudok segíteni, eddig csak témamodelleket használtam.

Következtetés:
Személy szerint a topicmodels -t használom, mivel jól dokumentált (lásd a fenti JSS cikket), és bízom a szerzőkben (Grün a flexmixet is megvalósította, és Hornik R alaptag).

+1 a témamodellekhez. @ Momo válasza nagyon átfogó. Csak annyit fűznék hozzá, hogy a topicmodels a bemenetet dokumentum kifejezésmátrixokként veszi fel, amelyek könnyen elkészíthetők a tm csomaggal vagy a python használatával. Az lda csomag ezoterikusabb bemeneti formát használ (a Blei LDA-C alapján), és nem volt szerencsém a beépített függvények használatával a dtm átalakítására lda csomag formátum (az lda dokumentációja nagyon gyenge, ahogy a Momo megjegyzi).

Van egy kódom, amely a nyers szöveggel kezdődik, előfeldolgozza azt a tm ban, és átadja a topicmodels -nak (ideértve az optimális témakörök megtalálását előre és a kimenettel való munka) itt. Hasznos lehet valakinek, aki először jár a topicmodels -ra.

Molly Roberts, Brandon Stewart és Dustin Tingley által készített R Structural Topic Model (STM) csomag szintén remek választás. A tm csomag tetejére épített általános keretrendszer a témamodellezéshez dokumentumszintű kovariáns információkkal.

http://structuraltopicmodel.com/

Az STM csomag egy sor módszert (rácskeresés) és intézkedéseket (szemantikus koherencia, maradványok és kizárólagosság) tartalmaz a témák számának meghatározására. Ha a témák számát 0-ra állítja, akkor a modell meghatározhatja az optimális témák számát is.

Az stmBrowser csomag nagyszerű adatmegjelenítési kiegészítő a külső változók témákra gyakorolt ​​hatásának vizualizálására. Lásd ezt a példát a 2016. évi elnöki vitákhoz: http://alexperrier.github.io/stm-visualization/index.html.

Mindhárom könyvtárat használtam, mindhárom között, témamodellek, lda, stm; nem mindenki dolgozik n grammal. A topicmodels könyvtár jó a becslésével, és n grammal is működik. De ha valaki uni grammal dolgozik, akkor a szakember előnyben részesítheti az stm-et, mivel ez strukturált kimenetet ad.