ch0.套件取得及資料載入

套件

library(data.table)
library(ggplot2)
library(dplyr)
library(jiebaR)
library(tidytext)
library(stringr)
library(tm)
library(topicmodels)
library(purrr)
library(ggpubr)
require(RColorBrewer)
library(reshape2)
library(tidyr)
library(readr)
library(scales)
require(jiebaR)
library(plotly)
library(googleVis)
library(highcharter)
mycolors <- colorRampPalette(brewer.pal(8, "Set3"))(20)

資料描述

Ptt : 八卦版、武漢肺炎版
時間 : 2020/1/1-2021/5/15
關鍵字 : 陳時中
目的 : 與陳時中一同出現的資料分類如何，有哪些資料

metadata <- fread("chen_articleMetaData.csv", encoding = "UTF-8")

metadata %>% 
  mutate(artDate = as.Date(artDate)) %>%
  group_by(artDate) %>%
  summarise(count = n())%>%
  ggplot(aes(artDate,count))+
    geom_line(color="royalblue")+
    geom_point()->post_plot
  
ggplotly(post_plot)

關於陳時中的討論在2020-3-26達最高峰，另一起高峰在2020-8-19~2020-8-31，最低是在2020年7月，是疫情較不嚴重的區段。

#Ch1. Document Term Matrix (DTM)

資料前處理

使用默認參數初始化一個斷詞引擎

jieba_tokenizer = worker()
news_tokenizer <- function(t) {
  lapply(t, function(x) {
    if(nchar(x)>1){
      tokens <- segment(x, jieba_tokenizer)
      # 去掉字串長度爲1的詞彙
      tokens <- tokens[nchar(tokens)>1]
      return(tokens)
    }
  })
}

計算每篇文章各token出現次數

tokens <- metadata %>%
  unnest_tokens(word, sentence, token=news_tokenizer) %>%
  filter(!str_detect(word, regex("[0-9a-zA-Z]")))  %>%
  count(artUrl, word) %>%
  rename(count=n)
tokens %>% head(20)

將資料轉換為Document Term Matrix (DTM)

dtm <-tokens %>% cast_dtm(artUrl, word, count)
dtm

## <<DocumentTermMatrix (documents: 5181, terms: 51348)>>
## Non-/sparse entries: 580522/265453466
## Sparsity           : 100%
## Maximal term length: 9
## Weighting          : term frequency (tf)

inspect(dtm[1:10,1:10])

## <<DocumentTermMatrix (documents: 10, terms: 10)>>
## Non-/sparse entries: 26/74
## Sparsity           : 74%
## Maximal term length: 2
## Weighting          : term frequency (tf)
## Sample             :
##                                                           Terms
## Docs                                                       一下 一出 一定 一個
##   https://www.ptt.cc/bbs/Gossiping/M.1580201716.A.D4A.html    1    1    1    1
##   https://www.ptt.cc/bbs/Gossiping/M.1580218136.A.251.html    1    0    1    0
##   https://www.ptt.cc/bbs/Gossiping/M.1580228124.A.03A.html    0    0    0    0
##   https://www.ptt.cc/bbs/Gossiping/M.1580473375.A.390.html    0    0    0    0
##   https://www.ptt.cc/bbs/Gossiping/M.1580473872.A.066.html    0    0    0    0
##   https://www.ptt.cc/bbs/Gossiping/M.1580621894.A.4DE.html    0    0    1    0
##   https://www.ptt.cc/bbs/Gossiping/M.1580632630.A.857.html    0    0    1    0
##   https://www.ptt.cc/bbs/Gossiping/M.1580637593.A.E42.html    0    0    0    3
##   https://www.ptt.cc/bbs/Gossiping/M.1580638519.A.26D.html    0    0    0    0
##   https://www.ptt.cc/bbs/Gossiping/M.1580641092.A.CD8.html    0    0    0    0
##                                                           Terms
## Docs                                                       人口 人物 上午 口罩
##   https://www.ptt.cc/bbs/Gossiping/M.1580201716.A.D4A.html    1    2    1   10
##   https://www.ptt.cc/bbs/Gossiping/M.1580218136.A.251.html    0    2    0   10
##   https://www.ptt.cc/bbs/Gossiping/M.1580228124.A.03A.html    0    0    0   10
##   https://www.ptt.cc/bbs/Gossiping/M.1580473375.A.390.html    0    0    0    1
##   https://www.ptt.cc/bbs/Gossiping/M.1580473872.A.066.html    0    0    0    0
##   https://www.ptt.cc/bbs/Gossiping/M.1580621894.A.4DE.html    0    0    0   16
##   https://www.ptt.cc/bbs/Gossiping/M.1580632630.A.857.html    0    0    0    0
##   https://www.ptt.cc/bbs/Gossiping/M.1580637593.A.E42.html    0    0    0    0
##   https://www.ptt.cc/bbs/Gossiping/M.1580638519.A.26D.html    0    0    0    0
##   https://www.ptt.cc/bbs/Gossiping/M.1580641092.A.CD8.html    0    0    0    0
##                                                           Terms
## Docs                                                       大家 工作
##   https://www.ptt.cc/bbs/Gossiping/M.1580201716.A.D4A.html    5    1
##   https://www.ptt.cc/bbs/Gossiping/M.1580218136.A.251.html    1    0
##   https://www.ptt.cc/bbs/Gossiping/M.1580228124.A.03A.html    0    1
##   https://www.ptt.cc/bbs/Gossiping/M.1580473375.A.390.html    0    0
##   https://www.ptt.cc/bbs/Gossiping/M.1580473872.A.066.html    1    0
##   https://www.ptt.cc/bbs/Gossiping/M.1580621894.A.4DE.html    2    1
##   https://www.ptt.cc/bbs/Gossiping/M.1580632630.A.857.html    0    0
##   https://www.ptt.cc/bbs/Gossiping/M.1580637593.A.E42.html    0    0
##   https://www.ptt.cc/bbs/Gossiping/M.1580638519.A.26D.html    0    0
##   https://www.ptt.cc/bbs/Gossiping/M.1580641092.A.CD8.html    1    0

ch2. 主題模型

建立LDA模型

lda <- LDA(dtm, k = 2, control = list(seed = 2021))
# lda <- LDA(dtm, k = 2, control = list(seed = 2021,alpha = 2,delta=0.1),method = "Gibbs") #調整alpha即delta
lda

## A LDA_VEM topic model with 2 topics.

利用LDA模型建立phi矩陣

topics_words <- tidy(lda, matrix = "beta") # 注意，在tidy function裡面要使用"beta"來取出Phi矩陣。
colnames(topics_words) <- c("topic", "term", "phi")
topics_words

尋找Topic的代表字

terms依照各主題的phi值由大到小排序，列出前10大

topics_words %>%
  group_by(topic) %>%
  top_n(10, phi) %>%
  ungroup() %>%
  mutate(top_words = reorder_within(term,phi,topic)) %>%
  ggplot(aes(x = top_words, y = phi, fill = as.factor(topic))) +
  geom_col(show.legend = FALSE) +
  facet_wrap(~ topic, scales = "free") +
  coord_flip() +
  scale_x_reordered()

#ch3. 尋找最佳主題數

建立更多主題的主題模型

嘗試3,5,10,15,20，將結果存起來，再做進一步分析。此部分需要跑一段時間，已經將跑完的檔案存成ldas_result.rdata，可以直接載入

#ldas = c()
#topics = c(3,5,10,15,20)
#for(topic in topics){
#start_time <- Sys.time()
#lda <- LDA(dtm, k = topic, control = list(seed = 2021))
#ldas =c(ldas,lda)
#print(paste(topic ,paste("topic(s) and use time is ", Sys.time() -start_time)))
#save(ldas,file = "ldas_result.rdata") # 將模型輸出成檔案
# }

載入每個主題的LDA結果

load("ldas_result.rdata")

透過perplexity找到最佳主題數

topics = c(3,5,10,15,20)
data_frame(k = topics, perplex = map_dbl(ldas, topicmodels::perplexity)) %>%
  ggplot(aes(k, perplex)) +
  geom_point() +
  geom_line() +
  labs(title = "Evaluating LDA topic models",
       subtitle = "Optimal number of topics (smaller is better)",
       x = "Number of topics",
       y = "Perplexity")

## Warning: `data_frame()` was deprecated in tibble 1.1.0.
## Please use `tibble()` instead.

create LDAvis所需的json function 此function是將前面使用 “LDA function”所建立的model，轉換為“LDAVis”套件的input格式。

topicmodels_json_ldavis <- function(fitted, doc_term){
    require(LDAvis)
    require(slam)
  
    ###以下function 用來解決，主題數多會出現NA的問題
    ### 參考 https://github.com/cpsievert/LDAvis/commit/c7234d71168b1e946a361bc00593bc5c4bf8e57e
    ls_LDA = function (phi){
      jensenShannon <- function(x, y) {
        m <- 0.5 * (x + y)
        lhs <- ifelse(x == 0, 0, x * (log(x) - log(m+1e-16)))
        rhs <- ifelse(y == 0, 0, y * (log(y) - log(m+1e-16)))
        0.5 * sum(lhs) + 0.5 * sum(rhs)
      }
      dist.mat <- proxy::dist(x = phi, method = jensenShannon)
      pca.fit <- stats::cmdscale(dist.mat, k = 2)
      data.frame(x = pca.fit[, 1], y = pca.fit[, 2])
    }
  
      # Find required quantities
      phi <- as.matrix(posterior(fitted)$terms)
      theta <- as.matrix(posterior(fitted)$topics)
      vocab <- colnames(phi)
      term_freq <- slam::col_sums(doc_term)
  
      # Convert to json
      json_lda <- LDAvis::createJSON(phi = phi, theta = theta,
                                     vocab = vocab,
                                     doc.length = as.vector(table(doc_term$i)),
                                     term.frequency = term_freq, mds.method = ls_LDA)
  
      return(json_lda)
}

產生LDAvis結果

the_lda = ldas[[1]]
json_res <- topicmodels_json_ldavis(the_lda,dtm)
serVis(json_res, out.dir = "vis", open.browser = T)

經查看，分四個主題後會有兩個主題較為接近，因此分三個主題做分析。

產生LDAvis檔案，存至local端

serVis(json_res, out.dir = "vis", open.browser = T)
writeLines(iconv(readLines("./vis/lda.json"), to = "UTF8"))

ch4. LDA分析

選定3個主題數的主題模型

the_lda = ldas[[1]] ## 選定topic 為 3 的結果

topics_words <- tidy(the_lda, matrix = "beta") # 注意，在tidy function裡面要使用"beta"來取出Phi矩陣。
colnames(topics_words) <- c("topic", "term", "phi")
topics_words %>% arrange(desc(phi)) %>% head(10)

terms依照各主題的phi值由大到小排序

topics_words %>%
  group_by(topic) %>%
  top_n(10, phi) %>%
  ungroup() %>%
  ggplot(aes(x = reorder_within(term,phi,topic), y = phi, fill = as.factor(topic))) +
  geom_col(show.legend = FALSE) +
  facet_wrap(~ topic, scales = "free") +
  coord_flip() +
  scale_x_reordered()

去除共通詞彙

removed_word = c("肺炎","新冠","疫苗","接種","目前","表示","沒有","新聞","不是")

topics_words %>%
  filter(!term  %in% removed_word) %>%
  group_by(topic) %>%
  top_n(15, phi) %>%
  ungroup() %>%
  ggplot(aes(x = reorder_within(term,phi,topic), y = phi, fill = as.factor(topic))) +
  geom_col(show.legend = FALSE) +
  facet_wrap(~ topic, scales = "free") +
  coord_flip() +
  scale_x_reordered()

主題命名

topics_name = c("疫調狀況","美豬事件","陳時中相關回應")

檢疫狀況 : 武漢包機、太多境外移入要鎖國?
美豬事件 : 美豬爭議
陳時中相關回應 : 媽祖繞境延期、出國解禁?、推廣國旅、疫苗

Document 主題分佈

# for every document we have a probability distribution of its contained topics
tmResult <- posterior(the_lda)
doc_pro <- tmResult$topics
document_topics <- doc_pro[metadata$artUrl,]
document_topics_df =data.frame(document_topics)
colnames(document_topics_df) = topics_name
rownames(document_topics_df) = NULL
news_topic = cbind(metadata,document_topics_df)

查看特定主題的文章

透過找到特定文章的分佈進行排序之後，可以看到此主題的比重高的文章在討論什麼。

news_topic %>%
  arrange(desc(`陳時中相關回應`)) %>% head(40)

了解主題在時間的變化

news_topic=subset (news_topic, select = c(-commentNum, -push, -boo))

news_topic %>% 
  mutate(artDate = as.Date(artDate)) %>%
  group_by(artDate = format(artDate,'%Y%m')) %>%
  summarise_if(is.numeric, sum, na.rm = TRUE) %>%
  melt(id.vars = "artDate")%>%
  ggplot( aes(x=artDate, y=value, fill=variable)) + 
  geom_bar(stat = "identity") + ylab("value") + 
  scale_fill_manual(values=mycolors[c(11, 12, 13)])+
  theme(axis.text.x = element_text(angle = 90, hjust = 1))

去除筆數少月份

news_topic %>%
  mutate(artDate = as.Date(artDate)) %>% 
  filter( !format(artDate,'%Y%m') %in% c(202007,202001))%>%
  group_by(artDate = format(artDate,'%Y%m')) %>%
  summarise_if(is.numeric, sum, na.rm = TRUE) %>%
  melt(id.vars = "artDate")%>%
  ggplot( aes(x=artDate, y=value, fill=variable)) + 
  geom_bar(stat = "identity") + ylab("value") + 
    scale_fill_manual(values=mycolors[c(1,5,8,12)])+
    theme(axis.text.x = element_text(angle = 90, hjust = 1))

以比例了解主題時間變化

news_topic %>%
  mutate(artDate = as.Date(artDate)) %>% 
  filter( !format(artDate,'%Y%m') %in% c(202007,202001))%>%
  group_by(artDate = format(artDate,'%Y%m')) %>%
  summarise_if(is.numeric, sum, na.rm = TRUE) %>%
  melt(id.vars = "artDate")%>%
  group_by(artDate)%>%
  mutate(total_value =sum(value))%>%
  ggplot( aes(x=artDate, y=value/total_value, fill=variable)) + 
  geom_bar(stat = "identity") + ylab("proportion") + 
    scale_fill_manual(values=mycolors[c(11,12,13,14)])+
    theme(axis.text.x = element_text(angle = 90, hjust = 1))

疫調狀況 : 2020年8月最多，2020年9月最少
美豬事件 : 2020年9月最多，2020年4月最少
陳時中相關回應 : 2020年5月最多，2020年8月最少

補充 - 不同訓練LDA模型套件

參考 http://text2vec.org/topic_modeling.html#latent_dirichlet_allocation

library(text2vec)

## 
## Attaching package: 'text2vec'

## The following object is masked from 'package:topicmodels':
## 
##     perplexity

library(udpipe)
tokens <- metadata %>%
  unnest_tokens(word, sentence, token=news_tokenizer)

建立DTM matrix

dtf <- document_term_frequencies(tokens, document = "artUrl", term = "word")
dtm <- document_term_matrix(x = dtf)
dtm_clean <- dtm_remove_lowfreq(dtm, minfreq = 30)
dim(dtm_clean)

## [1] 5181 3669

LDA 模型

set.seed(2019)

topic_n = 3

lda_model =text2vec::LDA$new(n_topics = topic_n,doc_topic_prior = 0.1, topic_word_prior = 0.001)
doc_topic_distr =lda_model$fit_transform(dtm_clean, n_iter = 1000, convergence_tol = 1e-5,check_convergence_every_n = 100)

## INFO  [14:59:01.446] early stopping at 200 iteration 
## INFO  [14:59:02.403] early stopping at 20 iteration

這個比topicmodels的package跑快超多倍

一樣可以用LDAvis的套件來看

lda_model$get_top_words(n = 10, lambda = 0.5) ## 查看 前10主題字

##       [,1]       [,2]   [,3]    
##  [1,] "疫苗"     "柯文" "開放"  
##  [2,] "疫情"     "防疫" "美豬"  
##  [3,] "指揮中心" "市長" "進口"  
##  [4,] "確診"     "就是" "標示"  
##  [5,] "肺炎"     "自己" "衛福部"
##  [6,] "檢疫"     "什麼" "表示"  
##  [7,] "感染"     "現在" "部長"  
##  [8,] "完整"     "不是" "完整"  
##  [9,] "流行"     "台灣" "衛福"  
## [10,] "表示"     "一個" "新聞"

lda_model$plot()

## Loading required namespace: servr

# lda_model$plot(out.dir ="lda_result", open.browser = TRUE)

使用主題模型分析疫情相關資料

第8組-糠維軒張惠茹陳靖婷鄭宇謙張揚琛鄭周祥

2021/05/16

ch0.套件取得及資料載入

套件

資料描述

資料前處理

將資料轉換為Document Term Matrix (DTM)

ch2. 主題模型

建立LDA模型

利用LDA模型建立phi矩陣

尋找Topic的代表字

建立更多主題的主題模型

透過perplexity找到最佳主題數

產生LDAvis結果

產生LDAvis檔案，存至local端

ch4. LDA分析

選定3個主題數的主題模型

主題命名

Document 主題分佈

查看特定主題的文章

了解主題在時間的變化

去除筆數少月份

以比例了解主題時間變化

補充 - 不同訓練LDA模型套件

建立DTM matrix

LDA 模型

一樣可以用LDAvis的套件來看

使用主題模型分析疫情相關資料

第8組-糠維軒 張惠茹 陳靖婷 鄭宇謙 張揚琛 鄭周祥

2021/05/16

ch0.套件取得及資料載入

套件

資料描述

資料前處理

將資料轉換為Document Term Matrix (DTM)

ch2. 主題模型

建立LDA模型

利用LDA模型建立phi矩陣

尋找Topic的代表字

建立更多主題的主題模型

透過perplexity找到最佳主題數

產生LDAvis結果

產生LDAvis檔案，存至local端

ch4. LDA分析

選定3個主題數的主題模型

主題命名

Document 主題分佈

查看特定主題的文章

了解主題在時間的變化

去除筆數少月份

以比例了解主題時間變化

補充 - 不同訓練LDA模型套件

建立DTM matrix

LDA 模型

一樣可以用LDAvis的套件來看

第8組-糠維軒張惠茹陳靖婷鄭宇謙張揚琛鄭周祥