利用数据库中的文本数据建立LDA模型计算困惑度

建立LDA模型计算困惑度需要以下步骤：

1. 准备数据：从数据库中提取文本数据，按照需要的格式进行处理，例如去除停用词、分词等。

2. 建立LDA模型：使用Python中的gensim库建立LDA模型，设置好主题数、迭代次数等参数。

3. 训练模型：将处理好的文本数据传入LDA模型中进行训练。

4. 计算困惑度：使用困惑度(perplexity)作为衡量LDA模型好坏的指标，困惑度越小表示模型越好。计算困惑度需要将训练好的模型传入测试数据中，使用perplexity函数计算出困惑度。

代码示例：

from gensim.models.ldamodel import LdaModel
from gensim.matutils import Sparse2Corpus
from gensim.models.coherencemodel import CoherenceModel

# 准备数据
# 从数据库中提取文本数据，按照需要的格式进行处理

# 建立LDA模型
num_topics = 10
passes = 10
lda_model = LdaModel(corpus, num_topics=num_topics, id2word=id2word, passes=passes)

# 训练模型
corpus = Sparse2Corpus(corpus)
id2word = dict((v, k) for k, v in dictionary.items())
lda_model = LdaModel(corpus, num_topics=num_topics, id2word=id2word, passes=passes)

# 计算困惑度
perplexity = lda_model.log_perplexity(test_corpus)
print('Perplexity: ', perplexity)

其中，`corpus`为训练数据，`test_corpus`为测试数据，`dictionary`为词典。