LDA 主题模型案例：挖掘人民网留言板文本数据 _lda

【LDA主题模型案例：挖掘人民网留言板文本数据】原文链接：///?p=2155
随着网民规模的不断扩大，互联网不仅是传统媒体和生活方式的补充，也是民意凸显的地带。领导干部参与网络问政的制度化正在成为一种发展趋势，这种趋势与互联网发展的时代需求是分不开的。
▼
人民网《地方领导留言板》是备受百姓瞩目的民生栏目,也是人民网品牌栏目,被称为“社情民意的集散地、亲民爱民的回音壁” 。
基于以上背景，研究人员对北京留言板里面的留言数据进行分析，探索网民们在呼吁什么。
数量与情感
朝阳区群众最活跃
图表
从上图可以看出不同地区留言板的情感倾向分布，总的来说，负面情感留言数目和积极情感相差不多，负面情感留言较多，占比46%，积极情感留言占比42%，中立情感的留言占比11% 。
从地区来看，活跃在各大媒体的“朝阳区群众”留言数目也是最多的，其次是海淀区，昌平区。因此，从情感分布来看大部分留言还是在反应存在的问题，而不是一味赞美或者灌水。
主题分析
外地户口问题呼声最高
接下来，我们对于语料进行LDA建模，就是从语料库中挖掘出不同主题并进行分析，换言之，LDA提供了一种较为方便地量化研究主题的机器学习方法。

文章插图
我们使用最大似然估计进行最优化主题个数的选取。当主题个数定为20的时候，似然估计数最大，即留言板数据分为20个主题的可能性比较大。将模型生成的20个主题中的前五个高频词取出，如下表所示。
图表
然后我们将占比最高的前六个主题与它们的情感倾向进行分析。
图表
从上图可以看出大家关于6大主题的讨论：
主题1反应孩子，外地户口办理的问题是最多的，反应了外地落户北京相关的难题（e.g.父母在京工作20多年，儿女上学却因户口问题不能进入好的高校就读）。
主题2是反应环境改造及棚户改造（e.g.棚户房屋破旧、墙面潮湿、上下水管道老化腐烂现象严重经常造成跑冒滴漏，遇到雨雪天气，道路积水、泥泞不堪，大院居民尤其是老人小孩出行非常不便）。
主题3是反应高考和医保（e.g.外地人衷心的希望政府能关注一下孩子在北京的高考问题）。
主题4是汽车摇号政策（e.g.现行的摇号方案是不可行,治标不治本.有的摇号是一个人摇不上,全家人都出动;有的是想买车根本摇不号;有的是不想买车就摇上了）。
主题5是反应工资和租房问题（e.g.我是外地退休教师。因为孩子在北京工作，故到北京帮助孩子料理家务，以支持孩子工作。因为北京房价昂贵，我们买不起大房，三代人只能挤着住。我想问问市长，我们是否也能住公租房）。
主题6是违法建筑（e.g.XX雅苑许多一层业主私搭乱建成风,且物业无能,造成极大的安全隐患）。
地区、主题与情感得分
接下来我们分析了不同主题和地区的情感倾向分布。从下图可以看出，主题3高考和医保、主题6 违法建筑、主题13教育拆迁的留言内容中积极情感占较大比例。
图表
我们发现在不同主题中情感得分最高的地区中海淀区最多，其次是朝阳区和大兴区。同时也可以发现，情感得分最高的是在主题11居民生活下的朝阳区留言内容。总的来说，根据积极情感的内容分布来看，主题3高考和医保、主题6 违法建筑、主题13教育拆迁的留言内容中表现出较好的反馈。
点击标题查阅往期内容
用R对用户的编程语言语义分析