本文摘要：一种方法是全部阅读这些言论、标志恶评、将他们分为相似主题组盘算数据并……仅仅是把这成千上万的新评论加入盘算中就需要浪费大量的时间。幸运的是另有一个解决措施——机械学习。通过本文你将学到： 一种方法是全部阅读这些言论、标志恶评、将他们分为相似主题组盘算数据并……仅仅是把这成千上万的新评论加入盘算中就需要浪费大量的时间。幸运的是另有一个解决措施——机械学习。

一种方法是全部阅读这些言论、标志恶评、将他们分为相似主题组盘算数据并……仅仅是把这成千上万的新评论加入盘算中就需要浪费大量的时间。幸运的是另有一个解决措施——机械学习。通过本文你将学到：

一种方法是全部阅读这些言论、标志恶评、将他们分为相似主题组盘算数据并……仅仅是把这成千上万的新评论加入盘算中就需要浪费大量的时间。幸运的是另有一个解决措施——机械学习。

通过本文你将学到：

文件分配给主题并获取主题词

图源：unsplash

凭据这个类比我们必须使用大量的社交媒体文本组来训练模型使它学会明白语言。这就是为什么我们使用了1亿组帖子和评论来训练模型使它能够正确地把矢量分配给单词和心情符号用嵌入模型矢量化的符号为神经网络提供输入。

要求学生在两分钟内写下他们喜欢的影戏标题。大多数学生可以在这个时间限制内列出3-5部影戏（对应社交媒体文本有限的字数）然后将他们随机分组最后一步是让每个学生在选组时记着两个原则：

棘手的点在于确定主题数量（这是每个无监视方法都市存在的问题）可是当最终这样做时我们可以从数据中获得许多洞见：

其专为漫笔本设计速度很快很容易通过类比老师（算法）把兴趣相似的学生（文本）划分为差别组（主题）来举行解释。

如转载请后台留言遵守转载规范

社交媒体文本为何奇特?

LDA算法（泉源：哥伦比亚大学）

解决方案分为两步。

· 主题的时间序列分析——从下图可以看出有的主题（如7号）获得更多关注而有的主题（如4号）就逐渐消失。

实验掌握热点主题或者预测热点主题对回首已往的主题变化趋势是很有用的。

文天职析的机械学习（自然语言处置惩罚）是一个辽阔的领域具有许多差别的模型类型可以深入相识数据。

由于这些特点社交媒体成了一种截然差别的信息泉源在使用机械学习举行分析时需要特别注意。

相比之下大多数开源机械学习方法都是基于较长的正式文本好比维基百科的文章或者其他网站帖子。因此这些模型不太适合社交媒体数据因为它们无法明白其中包罗的其他表达形式。

所有社交对话都基于书面文字如推特上的推文和脸书（Facebook）的帖子、评论、在线评论等。不管是社交媒体营销商、脸书群组/主页治理员还是试图在社交媒体上推广业务的人都需要知道观众对上传内容的反映。

社交媒体的主题建模