主题模型大全LSA PLSA LDA HDP lda2vec

无数据不智能 09-24 38

前言：

而今小伙伴们对“词袋模型和词向量模型”可能比较讲究，看官们都想要了解一些“词袋模型和词向量模型”的相关文章。那么小编在网络上收集了一些对于“词袋模型和词向量模型””的相关文章，希望我们能喜欢，小伙伴们一起来学习一下吧！

主题模型

LSA

PLSA

LDA

HDP-LDA

lda2vec

引用

近期文章更新预告

主题模型

所有主题模型都基于相同的假设：

每个文档包含多个主题每个主题包含多个单词LSA

将文章X单词矩阵进行SVD分解，分解为文章（句子）X主题、主题X主题、主题X单词单个矩阵，其中文章（句子）X主题作为文章（句子）向量。

PLSAimg

d和 w 是已经观测到的变量，而 z 是未知的变量（主题），和LSA的矩阵分解是对应的。

最大的矩形里装有N篇文档，每一篇文档 d 自身有个概率，从文档 d 到主题 z 概率分布，随后从主题到词概率分布，由此构成了 w 和 z 的联合概率分布，由此PLSA的参数量为。

用EM算法求解模型

LDA

PLSA假设分布为固定参数，容易产生过拟合，LDA在起基础上，加入狄利克雷分布，相当于加入先验知识。训练样本量足够大，pLSA的效果可以等同LDA。

狄利克雷分布：分布的分布，Beta分布的多元推广为狄利克雷分布，Beta分布是伯努利分布，二项分布的共轭先验（先验分布是beta分布，后验分也是beta分布）。

Beta分布常用于AB测试当中，例如已知某页面点击率正常范围在0.2~0.35，点击率符合伯努利分布，点击率分布的分布符合Beta分布

α和β是dirichlet的参数，对于M篇文档都一样，用来控制每篇文档的两个概率分布θ对于每一篇文档都一样，用来表征文档的主题分布z是每个词的隐含主题，w是文档里的词α和β是文集（corpus）级别的参数，所以在M篇文档外边θ是文档级别的参数，在N个词盘子的外边z和w是一一对应的，每个词对应一个隐含主题

下图大等边三角形内所有点到顶点对边距离和为1，代表生成三个单词的概率

小等边三角形内所有点到顶点对边距离代表生成三个主题的概率

小三角形中每个带叉的点都是一个PLSA模型，生成文档时，先根据叉点选择一个主题，再根据主题选择词

而LDA不再像PLSA是随机的点，而是小三角形中的曲线（一系列的点），即服从一定的分布，分布曲线由决定

HDP-LDA

在LDA中，主题的个数是一个预先指定的超参数。通常可通过验证集和训练集得到最佳超参数。即当训练集评价指标下降，但验证集开始上升时，到达最优点。但有时最优个数会超大，此时可选择评价指标下降速度变慢的点。具体的评价指标（困惑度）如下：

文档集合D，其中M为文档的总数，为文档d中单词所组成的词袋向量，为模型所预测的文档d的生成概率，为文档d中单词的总数。

另外一种方法是在LDA基础之上融入分层狄利克雷过程（Hierarchical Dirichlet Process，HDP），构成一种非参数主题模型HDP-LDA。不需要提前预制主题个数，但模型参数求解更复杂。

HDP构造过程

类似于一个中国餐馆（一个文档），每个餐桌代表一个类别，从第一个顾客（一个单词）进来选桌子开始到最后一个结束，即可得出类别数。

n为已经选择好类别的单词的个数，为第 j 个类别的单词数，下一个单词被分到已存在类别的概率：，新类别的概率：。可知越大，选择已存在类别概率越小，最终类别数越多；第 j 个类别的单词数越多，下个单词分到该类别可能性越大。

lda2vec