主题分数解释我们正在研究“文本资源管理器”方法，并尝试传达主题分数的解释。 例如，主题内某个术语的负值与正值相比。 您能否将我们引导给可以提供一些示例帮助的人？帮助菜单建议，与正值相比，负值项的出现频率会降低，但是当我们查看实际数据集时，似乎并没有出现这种情况。
因此，看来这是一个线性标度，其中每一端都是正数，而一端是负数。 一个词越接近量表的一端，将表明该词是正面用法还是负面用法。 任何观点都值得赞赏。
回复：主题分数解释嗨，劳拉，
抱歉，我读了这个答案，但我从未说过谢谢。非常感谢！这非常有帮助。
杰夫
回复：主题分数解释从技术上讲，相反的情况也适用，但实际上，我不希望您遇到这种情况。原因是我们仅在大多数大载荷为负时才翻转符号。对于文本数据，具有较大的正数不是很常见和负负荷。仅在这些情况下，您才希望找到相反的情况。总之，在检查主题负荷和分数时，您做对了事情，以确保您了解主题的含义。您希望能够标记每个主题（例如，“对产品的满意度”），以便随后将分数解释为“分数越高，对产品的满意度越高”，反之亦然。
最好，
〜劳拉
回复：主题分数解释谢谢，这对我的直接例子有帮助。 类似的问题是我也应该期望相反吗？例如，主题得分图中的一个很强的否定示例会导致主题得分为正，而文本暗示该分数应该为强烈否定？
回复：主题分数解释你好 @reese_sj ，
感谢您指出了这一点！确实，在某些情况下，奇异值分解会导致主题带有全负负载。为了便于解释主题，加载的符号被翻转，因此它们始终是积极的。在这些情况下，主题得分也应该翻转，但当前不是。我们已经意识到这一点，并计划在将来的版本中解决此问题。现在，您可以创建一个新的公式列，该列将主题得分乘以-1。一种确定需要翻转哪些主题得分的简单方法是（1）查看报告上的“主题得分图”，（2）选择得分最高的观察值，（3）单击“显示文本”，然后（4）检查文档与主题词之间的对应关系。
这是“ Pet Survey.jmp”数据的示例：
我启动了文本资源管理器，运行了带有所有默认设置的潜在语义分析和主题分析。前两个主题的主要内容是： 
然后，我们可以查看得分图并获得主题1最高得分的文本。
积极的主题内容与文档的内容相对应。从而，更高主题1中的得分指向的文档更多关于“看守的狗”。
相反，当我们以主题2的最极端值检查文本时，我们发现降低分数对应于更多关于“爱斯基摩人在冬天享受雪橇骑行” 
识别分数何时应该翻转的最简单方法是，当最极端的值是负数而该主题的负担是正数时： 
希望这使您能够继续进行分析！
最好，
〜劳拉
回复：主题分数解释主题分数解释可能存在的问题：
我有一个主题“似乎”会对我的星级产生积极影响。我使用DTM和指标列来查看主题“ Absolutley”和“ Love”中的2个主要术语。如图所示，当我使用其中一个词时，我的星级会上升，如果同时使用两个词，则它会上升得更高。 请注意，这是一个非常小的N。
进一步探讨这一点，似乎当我保存主题时，计数与该术语的评分方式之间存在负相关关系。 即使负载为正，也会发生这种情况。 我能够遍历并找到该主题的内容，但是如果我将其加载到genreg（或任何其他建模方法）中，我不知道效果是否正确-对主题没有任何正面或负面影响手动浏览每个主题和术语，以确保它们得到适当处理。
如下所示，如果我使用“绝对”和“爱”两个词，则它们使用得更多或一起使用时，按照任何建模方法，都会明显产生负面影响。
回复：主题分数解释我一定会尝试的。谢谢。
回复：主题分数解释斯科特
如果您的目标是筛选与结果变量相关的术语，则可能只需要运行带有DTM列的GenReg。 由于回归量很大，因此需要一段时间才能完成。例如，输出是“是/否”类型响应，我在18,000行数据集上运行了带有1,782个二进制DTM列的套索。完成大约20分钟。我发现483个有效（非零）项。如果仅保留具有统计意义的值（p值<0.05），则项数仅为203。
一种更直观的方法是使用词云中的“着色/按列值”选项。通过结果变量为单词着色，可以查看哪些单词与结果关联。颜色混合的那些与结果无关。
健
回复：主题分数解释顺便说一句，我使用了百分号，并且该条目被重新编码为“ Bleep”。也许另一个重新编码机会：）（笑脸）。
回复：主题分数解释随着我对主题的不断发展和完善，我正在寻找有关添加停用词的指南。 我知道每个术语都与每个主题相关，但是我想一种减少每个主题多样性的方法，以便减少与该主题有很强相关性的术语。 这使我能够对感兴趣的特定主题采取适当的措施。 我当前的数据集有一个结果变量。
您能否评论以下方法：构建主题（基于奇异值** bleep％截止值的主题数），保存文档主题向量，对主题运行genreg，查看影响最小的主题，从影响力较小的每个主题中找出潜在客户，并将其添加为停用词，然后重复该过程，直到获得“可行的”解决方案为止。
回复：主题分数解释杰夫
感谢您的提问。让我补充一下劳拉的出色解释。是的，术语主题加载表示术语和相应的潜在主题之间的相关性。但是，出于对DTM可能太大的担忧，JMP并未对其文档主题向量（即主题得分）进行缩放，因此文档主题向量与DTM列之间的相关性与报告的术语主题不匹配。加载。但是，正如您所发现的，它们非常接近。
健
回复：主题分数解释你好 @JeffSwartzel ，
很好的问题！潜在语义分析（LSA）和主题分析（TA）依赖于稀疏奇异值分解（SVD）以非常有效的方式表征数据的结构。也就是说，尽管具有包含数百或数千列的文档术语矩阵（DTM），但稀疏SVD算法使我们只能获得奇异值和奇异矢量（最重要的）的一小部分。
为了继续利用稀疏SVD，在旋转的PCA和TA中计算TA分数的方式有所不同（请注意，标准PCA和LSA之间的分数相同）。在旋转的PCA中，分数通过DTM的相关矩阵和奇异值的反比例进行缩放（将DTM的相关矩阵取反对于大型语料来说将是棘手的；可以想象将具有数千列的矩阵取反）。而TA分数忽略了这种缩放。TA分数只是DTM在旋转的较低维空间上的投影。
此外，我们发现尽管计算有所不同，TA评分与PCA评分高度相关（> .90）。重要的是，主题加载是DTM列与相应PCA组件的确切关联。因此，我们可以将TA分数视为PCA分数的很好的近似值。
HTH，
〜劳拉
PS这些是公式：
pcaScores = DTM_s *逆（DTM_cor）* evec * Diag（Sqrt（eval））* rotMat
taScores = DTM_s * evec * rotMat
其中DTM_s是标准化DTM，DTM_cor是DTM的相关矩阵，evec是DTM的特征向量（或右奇异值），eval是DTM的特征值（或平方奇异值），并且rotMat是旋转矩阵。
回复：主题分数解释谢谢！回复：主题分数解释对于任何其他阅读此书的人，都有一个点播版本的 jian 的网络广播：
营销分析和消费者研究 。
回复：主题分数解释你好 @JeffSwartzel ，那是 jian 在今天的Mastering JMP网络广播中。
通过在此处给他加标签，他会收到有关您的问题的通知，并可以适当地发出声音。
谢谢！
回复：主题分数解释克里斯，你好
我刚刚观看了一个名为“使用JMP Pro进行增强的营销分析和消费者研究（高级）”的JMP网络研讨会。
我很想念演讲者的名字感到很尴尬，但是认为他对主题加载非常直观。如果我正确理解他，则可以将主题中某个特定单词的主题加载解释为文档术语矩阵中该单词的向量与相应文档主题向量之间的相关性。为了构成一个伪造的示例，假设我们有“主题1”，而该主题中的第一个术语是“橙色”。“橙色”上的负载显示为0.85361。如果计算文档术语矩阵中“主题1”和“橙色”向量之间的相关性，则其也应为0.85361。
我认为这是一个很好的解释，我尝试自己重新创建它，但是遇到了一些麻烦。相关性接近但不精确。您对为什么会出现这种情况有任何想法吗？如果有帮助，我可以尝试提供“ Aircraft Incidents.jmp”文件的示例。
任何帮助表示赞赏！
谢谢，
-杰夫·斯瓦特泽尔
回复：主题分数解释谢谢。 关于文档，我确实有一个后续问题。 当前，它指出在“主题”分析中，负值表示排斥力，并且与正值相比出现的频率较小。
file：/// C：/Program%20Files/SAS/JMPEA/14/Help/index.html#page/jmp%2FBA_Text_Explorer_19.html%23ww428969
回复：主题分数解释谢谢，这是非常有帮助的。
史考特
回复：主题分数解释嗨，斯科特（Hi Scott）-通过理解（1）SVD结果与文档术语矩阵（DTM）的PCA相同，以及（2）主题分析是一种在文本资源管理器（TE）中理解基于SVD的结果的最佳方法。SVD的VARIMAX旋转结果，这意味着主题分析在数学上与DTM的因子分析相同。
这意味着您可以从因子分析的文本中收集到的所有解释性工具和经验法则都适用于主题分析。 这包括
（1）分数的符号没有意义。 JMP数值工具可以使每个尺寸的最大载荷（未旋转载荷）为正。 采用此约定可以使结果可重复且唯一（否则要求5个维度，然后10个维度可能导致结果相差-1倍）。 必须遵守载荷惯例并将其应用于分数。
（2）基于集中式和缩放式SVD的主题分析具有与传统因子分析相同的规则，用于确定因子数量的上限。 例如，如果只有10个大于1.0的奇异值，那么您永远不会要求超过10个主题。
JMP R＆D的常驻多变量分析专家Laura Castro-Schilo撰写了两个出色的博客，介绍了如何理解和利用Text Explorer和经典多元统计方法之间的对应关系。
JMPer电缆： 文本浏览器的新外观
JMPer电缆： 社会科学中的文本分析：新的可能性
@reese_sj 写道：
我们正在研究“文本资源管理器”方法，并尝试传达主题分数的解释。 例如，主题内某个术语的负值与正值相比。 您能否将我们引导给可以提供一些示例帮助的人？帮助菜单建议，与正值相比，负值项的出现频率会降低，但是当我们查看实际数据集时，似乎并没有出现这种情况。
因此，看来这是一个线性标度，其中每一端都是正数，而一端是负数。 一个词越接近量表的一端，将表明该词是正面用法还是负面用法。 任何观点都值得赞赏。
