秋水顽石

主要是从算法层面来介绍LDA的由来或者说发展　　文本挖掘的研究对象是文本，比如对文本进行分类或者情感分析等。由于文本是一种非结构化的数据，这样就不利于计算机的处理，所以研究者们开始对文本进行数字化处理。　　最开始比较简单的方法是tf-idf方法。tf-idf机制可以将任意长度的文档转化为固定长度的向量（固定长度为词典中的词汇数），可以简明易懂地将每个文档表示出来。虽然tf-idf方法可已经...

从模型假设方面理解LDA的由来预先知识在介绍之前，先给出频率派和贝叶斯派各自不同的思考方式：频率派把需要推断的参数θ看做是固定的未知常数，即概率θ虽然是未知的，但是最起码是一个确定的值，同时，样本X是随机的，所以频率派重点研究样本空间，大部分的概率计算都是针对样本X的分布；贝叶斯派的观点则截然相反，他们认为待估计的参数θ是随机变量，服从一定的分布，而样本X是固定的，由于样本是固定的...

一、来自知乎的回答参考链接：点击这里经典的LDA主题模型实现了文本的软聚类的工作，将文档转化为基于主题的数值向量，每个维度上的主题概率取值就是对特定主题的聚类中心的隶属度。由于LDA主题模型提出较早，所以作为基础模型有了很多改进和创新，技术上总结下来有以下几个方面： 短文本的处理和优化 考虑主题随时间变化的情况 考虑按照时间排序的文章之间在主题分布上有连贯性 考虑主题之间存在相关性...