Ajustar modelo LDA (Latent Dirichlet Allocation)

ac_lda() ajusta um modelo de tópicos LDA sobre um ac_corpus, retornando um objeto com os resultados do modelo e tibbles tidy de termos por tópico e prevalência por documento.

Usage

ac_lda(corpus, k = 10L, seed = 42L, method = c("VEM", "Gibbs"), ...)

Arguments

corpus: Objeto ac_corpus.
k: Número de tópicos. Padrão: 10.
seed: Semente para reprodutibilidade. Padrão: 42.
method: Método de estimação: "VEM" (padrão) ou "Gibbs".
...: Argumentos adicionais passados a topicmodels::LDA().

Value

Lista de classe ac_lda com:

model: objeto LDA do pacote topicmodels;
terms: tibble com beta (probabilidade de cada termo por tópico);
documents: tibble com gamma (prevalência de cada tópico por documento);
k: número de tópicos;
params: parâmetros usados.

References

Blei, D. M.; Ng, A. Y.; Jordan, M. I. (2003). Latent Dirichlet Allocation. Journal of Machine Learning Research, 3, 993-1022.

Vignette: vignette("lda", package = "acR") — tutorial completo com corpus real e visualizações.

Examples

# \donttest{
# 1. Corpus sintetico com 3 temas nitidos (democracia, economia, saude, educacao)
df <- data.frame(
  id = paste0("d", 1:10),
  texto = c(
    "democracia participacao cidadania direitos politica",
    "mercado economia privatizacao crescimento fiscal",
    "saude hospital medico doenca tratamento",
    "educacao escola professor ensino aprendizagem",
    "democracia eleicao voto politica partido",
    "economia inflacao juros fiscal orcamento",
    "saude sus medico hospital remedio",
    "educacao universidade pesquisa ciencia",
    "participacao social cidadania direitos igualdade",
    "mercado trabalho emprego salario industria"
  )
)
corpus <- ac_corpus(df, text = texto, docid = id)

# 2. Ajustar LDA com k=3 topicos (o corpus tem ~4 temas; k=3 for a experimentacao)
lda <- ac_lda(corpus, k = 3)
#> Ajustando LDA com k = 3 tópicos...
lda  # imprime resumo do modelo
#> 
#> ── Modelo LDA acR ──────────────────────────────────────────────────────────────
#> • Tópicos (k): 3
#> • Método: "VEM"
#> • Semente: 42
#> • Termos únicos: 37
#> • Documentos: 10
# }