Question

到目前为止，我们使用了固定个数的主题（100）。这纯粹是一个随意的值；我们也可以采用20或200个主题。幸运的是，对于多数用户来讲，这个值并不重要。如果你像我们之前那样，只把这些主题的使用当做一个中间步骤，那么系统的最终表现极少会对主题个数敏感。这意味着，只要你使用了足够的主题，不管是用100个主题还是200个，从这个过程中得到的推荐并没有太大差别。100通常是一个比较好的值（20对于一般文档集合来说太少了）。设置alpha(α)值也是如此。尝试不同的值会改变主题，但对于这种改变，最终的结果不会受到多大影响。

提示 　主题模型通常是一个面向目标的终端服务。在这种情况下，你具体选择了哪些参数并不总是很重要。不同的主题数或者参数值（例如alpha）会得到效果几乎相同的系统。

如果你想自己探究一下这些主题，或者构建一个可视化工具，你可能应该尝试一下不同的取值，看看哪些值可以带给你最有用或最具吸引力的结果。

然而，还有一些方法可以根据数据集自动帮你确定主题的个数。有一个很流行的模型叫做层次狄利克雷过程。再一次，它背后的所有数学模型都非常复杂，超出了本书的讨论范围。但我们可以告诉你的是，在该方法中，主题本身是由数据生成的，而不是预先将主题固定，然后通过对数据的反向工程把它们恢复出来。当书写者开始撰写一个新文档时，他可以使用已有的主题，也可以创建一个全新的主题。

这意味着，我们拥有的文档越多，最后得到的主题也越多。这种方式初看起来并不是很直观，但思考一下就会觉得它非常有意义。我们是在学习主题时，样本越多，就可以把主题切分得越细。如果我们只有少量的新闻文章样本，那么体育将会是一个主题。然而，随着我们拥有更多的文档，我们就可以开始把它们切分成一些独立的部分，例如曲棍球、足球等等。随着我们拥有越来越多的数据，我们可以开始对细小的差别进行区分，从文章中把每只队伍或者每个球员分离出来。对于人，也是一样的。在一组不同背景的人群中（其中包含一些“IT人士”），你可能会把他们放在一起；在一个更大一点的分组中，你可能会让程序员和系统经理分别聚在一起。在真实世界中，Python程序员和Ruby程序员甚至会有各自的分组。

有一个能够自动确定主题个数的方法叫做层次狄利克雷过程 （HDP），可以在gensim 中使用，而且使用方法很简单。例如前面实现的LDA代码，我们只需要把对gensim.models.ldamodel.LdaModel 的调用替换成一个对HdpModel 构造函数的调用即可，如下所示：

>>> hdp = gensim.models.hdpmodel.HdpModel(mm, id2word)

这样就可以了。（不过，它需要更长时间来计算——没有免费的午餐。）现在除了不需要给出主题个数，我们还可以像使用LDA模型一样使用这个模型。