在gensim3.8版本下，对pLSA、LDA，DMM模型调参，使用困惑度指标选择最近K。计算模型困惑度

在gensim 3.8版本下，可以使用以下方法对pLSA、LDA和DMM模型进行调参，并使用困惑度指标选择最优模型：

1. 加载语料库，并将其转换为词袋表示：

from gensim import corpora
from gensim.models.ldamodel import LdaModel
from gensim.models.lsimodel import LsiModel
from gensim.models import CoherenceModel
from gensim.models.wrappers.dtmmodel import DtmModel

# 加载语料库
corpus = corpora.mmcorpus.MMCorpus('corpus.mm')

# 构建词袋表示
dictionary = corpora.Dictionary.load('dictionary.dict')
corpus = [dictionary.doc2bow(text) for text in corpus]

2. 定义模型，并使用困惑度指标选择最优模型：

# 定义模型
num_topics = 10
passes = 10
chunksize = 2000
iterations = 400
eval_every = None

# LDA模型
lda_model = LdaModel(corpus=corpus, id2word=dictionary, num_topics=num_topics, passes=passes, chunksize=chunksize, iterations=iterations, eval_every=eval_every)

# pLSA模型
plsa_model = LsiModel(corpus=corpus, id2word=dictionary, num_topics=num_topics)

# DMM模型
dtm_path = 'dtm-win64.exe' # DTM模型所在路径
dtm_model = DtmModel(dtm_path, corpus, num_topics, id2word=dictionary)

# 计算困惑度
lda_perplexity = lda_model.log_perplexity(corpus)
plsa_perplexity = plsa_model.log_perplexity(corpus)
dtm_perplexity = dtm_model.log_perplexity(corpus)

在以上代码中，我们使用了LDA、pLSA和DMM三种模型，对于每种模型，我们都设置了一些参数，如主题数目num_topics、迭代次数iterations等。同时，我们使用了困惑度指标来选择最优模型，计算困惑度的方法是调用各个模型的`log_perplexity()`方法，该方法返回模型在给定语料库上的困惑度。

需要注意的是，困惑度越低，模型的性能越好。但困惑度并不是唯一的评价指标，还可以使用类似于一致性（coherence）等指标来评价模型的性能。