https://www.cnblogs.com/pinard/p/6805861.html
這里我們拍腦門決定訓練topic數量為10的LSI模型：（LSI模型 就是設置維度：多少個特征）
>>> lsi = models.LsiModel(corpus_tfidf, id2word=dictionary, num_topics=10)
>>> index = similarities.MatrixSimilarity(lsi[corpus])
2013-06-07 22:04:55,443 : INFO : scanning corpus to determine the number of features
2013-06-07 22:04:55,510 : INFO : creating matrix for 379 documents and 10 features
基於LSI模型的課程索引建立完畢，我們以Andrew Ng教授的機器學習公開課為例，這門課程在我們的coursera_corpus文件的第211行，也就是：
>>> print courses_name[210]
Machine Learning
現在我們就可以通過lsi模型將這門課程映射到10個topic主題模型空間上，然后和其他課程計算相似度：
>>> ml_course = texts[210]
>>> ml_bow = dicionary.doc2bow(ml_course)
>>> ml_lsi = lsi[ml_bow]
>>> print ml_lsi
[(0, 8.3270084238788673), (1, 0.91295652151975082), (2, -0.28296075112669405), (3, 0.0011599008827843801), (4, -4.1820134980024255), (5, -0.37889856481054851), (6, 2.0446999575052125), (7, 2.3297944485200031), (8, -0.32875594265388536), (9, -0.30389668455507612)]
>>> sims = index[ml_lsi]
>>> sort_sims = sorted(enumerate(sims), key=lambda item: -item[1])
取按相似度排序的前10門課程：
>>> print sort_sims[0:10]
[(210, 1.0), (174, 0.97812241), (238, 0.96428639), (203, 0.96283489), (63, 0.9605484), (189, 0.95390636), (141, 0.94975704), (184, 0.94269753), (111, 0.93654782), (236, 0.93601125)]
在文本挖掘中，主題模型是比較特殊的一塊，它的思想不同於我們常用的機器學習算法，因此這里我們需要專門來總結文本主題模型的算法。本文關注於潛在語義索引算法(LSI)的原理。
1. 文本主題模型的問題特點
在數據分析中，我們經常會進行非監督學習的聚類算法，它可以對我們的特征數據進行非監督的聚類。
而主題模型也是非監督的算法，目的是得到文本按照主題的概率分布。
從這個方面來說，主題模型和普通的聚類算法非常的類似。但是兩者其實還是有區別的。
聚類算法關注於從樣本特征的相似度方面將數據聚類。比如通過數據樣本之間的歐式距離，曼哈頓距離的大小聚類等。
而主題模型，顧名思義，就是對文字中隱含主題的一種建模方法。比如從“人民的名義”和“達康書記”這兩個詞我們很容易發現對應的文本有很大的主題相關度，但是如果通過詞特征來聚類的話則很難找出，因為聚類方法不能考慮到到隱含的主題這一塊。
那么如何找到隱含的主題呢？
這個一個大問題。常用的方法一般都是基於統計學的生成方法。
即假設以一定的概率選擇了一個主題，然后以一定的概率選擇當前主題的詞。
最后這些詞組成了我們當前的文本。所有詞的統計概率分布可以從語料庫獲得，具體如何以“一定的概率選擇”，這就是各種具體的主題模型算法的任務了。
當然還有一些不是基於統計的方法，比如我們下面講到的LSI。
2. 潛在語義索引(LSI)概述
潛在語義索引(Latent Semantic Indexing,以下簡稱LSI)，有的文章也叫Latent Semantic Analysis（LSA）。其實是一個東西，后面我們統稱LSI，它是一種簡單實用的主題模型。LSI是基於奇異值分解（SVD）的方法來得到文本的主題的。
而SVD及其應用我們在前面的文章也多次講到，比如：奇異值分解(SVD)原理與在降維中的應用和矩陣分解在協同過濾推薦算法中的應用。如果大家對SVD還不熟悉，建議復習奇異值分解(SVD)原理與在降維中的應用后再讀下面的內容。
回到LSI本身，對於一些規模較小的問題，如果想快速粗粒度的找出一些主題分布的關系，則LSI是比較好的一個選擇，其他時候，如果你需要使用主題模型，推薦使用LDA和HDP。