Latent Dirichlet Allocationから派生したトピックを使用したドキュメントのクラスタリング

プロジェクトにLatent Dirichlet Allocationを使用したいのですが、gensimライブラリでPythonを使用しています。トピックを見つけた後、k-meansなどのアルゴリズムを使用してドキュメントをクラスター化したいと思います（理想的には、クラスターの重複に適切なものを使用したいので、どのような推奨も歓迎されます）。私は何とかトピックを取得しましたが、それらは次の形式です。

0.041 *大臣+ 0.041 *キー+ 0.041 *瞬間+ 0.041 *物議を醸す+ 0.041 *首相

クラスタリングアルゴリズムを適用し、誤りがあれば修正するには、tfidfまたはword2vecを使用して各単語を数値として表す方法を見つける必要があると思います。

たとえばリストからテキスト情報を「ストリップ」して、適切な乗算を行うためにそれらを元に戻す方法についてのアイデアはありますか？

たとえば、Ministerという単語のtfidfの重みが0.042である場合、同じトピック内の他の単語についても同様に、次のように計算する必要があります。

0.041 * 0.42 + ... + 0.041 * tfidf（Prime）そして結果をクラスタリングするために後で使用される結果を取得します。

お時間をいただきありがとうございます。

LDAがトピックのリストを作成し、各ドキュメントの各トピックに対してスコアを付けたとすると、ドキュメントとそのスコアをベクトルとして表すことができます。

Document | Prime | Minister | Controversial | TopicN | ...
   1       0.041    0.042      0.041          ...
   2       0.052    0.011      0.042          ...

各ドキュメントのスコアを取得するには、ドキュメントを実行します。訓練されたLDAモデルを通して、言葉の袋として。gensimのドキュメントから：

>>> lda = LdaModel(corpus, num_topics=100)  # train model
>>> print(lda[doc_bow]) # get topic probability distribution for a document

次に、この行列でk-meansを実行すると、類似しているドキュメントがグループ化されます。K-meansは、デフォルトではハードクラスタリングアルゴリズムであり、各ドキュメントを1つのクラスターに分類することを意味します。ドキュメントがクラスター内に収まる確率スコアを提供するソフトクラスタリングメカニズムを使用できます。これは、ファジーk平均と呼ばれます。 https://gist.github.com/mblondel/1451300は、scikit learnでそれを行う方法を示すPythonの要旨です。

PS：2つ以上のリンクを投稿できません

前の回答を補完するために、lda topic-docディストリビューションから派生した構成データに対してkmeansを直接実行するのではなく、構成データ変換を使用して、ilrやclrなどのユークリッド空間に投影します。

（例）