编辑：我在这里发现了一个有趣的问题。 这个链接 显示gensim在训练和推理步骤中都使用随机性。因此，建议设置固定种子以便每次获得相同的结果。但是，为什么每个主题的概率都相同呢？
我想做的是找到每个Twitter用户的主题，并根据主题相似性计算Twitter用户之间的相似性。在gensim中是否有可能为每个用户计算相同的主题，还是必须计算主题字典并聚类每个用户主题？
一般来说，基于gensim提取的主题模型，比较两个Twitter用户的最佳方法是什么？我的代码如下：
def preprocess(id): #Returns user word list (or list of user tweet)
user_list = user_corpus(id, 'user_'+str(id)+'.txt')
documents = []
for line in open('user_'+str(id)+'.txt'):
documents.append(line)
#remove stop words
lines = [line.rstrip() for line in open('stoplist.txt')]
stoplist= set(lines)
texts = [[word for word in document.lower().split() if word not in stoplist]
for document in documents]
# remove words that appear only once
all_tokens = sum(texts, [])
tokens_once = set(word for word in set(all_tokens) if all_tokens.count(word) < 3)
texts = [[word for word in text if word not in tokens_once]
for text in texts]
words = []
for text in texts:
for word in text:
words.append(word)
return words
words1 = preprocess(14937173)
words2 = preprocess(15386966)
#Load the trained model
lda = ldamodel.LdaModel.load('tmp/fashion1.lda')
dictionary = corpora.Dictionary.load('tmp/fashion1.dict') #Load the trained dict
corpus = [dictionary.doc2bow(words1)]
tfidf = models.TfidfModel(corpus)
corpus_tfidf = tfidf[corpus]
corpus_lda = lda[corpus_tfidf]
list1 = []
for item in corpus_lda:
list1.append(item)
print lda.show_topic(0)
corpus2 = [dictionary.doc2bow(words2)]
tfidf2 = models.TfidfModel(corpus2)
corpus_tfidf2 = tfidf2[corpus2]
corpus_lda2 = lda[corpus_tfidf2]
list2 = []
for it in corpus_lda2:
list2.append(it)
print corpus_lda.show_topic(0)
当将一个用户词列表作为语料库时，返回用户语料库的主题概率：
[(0, 0.10000000000000002), (1, 0.10000000000000002), (2, 0.10000000000000002),
(3, 0.10000000000000002), (4, 0.10000000000000002), (5, 0.10000000000000002),
(6, 0.10000000000000002), (7, 0.10000000000000002), (8, 0.10000000000000002),
(9, 0.10000000000000002)]
在我使用用户推文列表的情况下，我会得到每条推文的计算主题。
问题2：以下是否合理：训练LDA模型使用多个Twitter用户并计算每个用户的主题（使用之前计算的LDA模型对每个用户语料库进行计算）？
在提供的示例中，
list [0] 返回具有相等概率0.1的主题分布。基本上，每行文本对应于不同的推文。如果我使用corpus = [dictionary.doc2bow(text) for text in texts] 计算语料库，它将为每个推文单独给出概率。另一方面，如果我像示例中那样使用corpus = [dictionary.doc2bow(words)]，则我将只获得所有用户单词的语料库。在第二种情况下，gensim返回所有主题的相同概率。因此，对于两个用户，我获得相同的主题分布。用户文本语料库是单词列表还是句子列表（推文列表）？
关于齐何和翁建树在twitterRank方法的实现，在第264页中说：我们将单个twitterer发布的推文聚合成一个大文档。因此，每个文档对应于一个twitterer。好的，我有点困惑了，如果文档将是所有用户推文，则语料库应包含什么？