主题模型中的主题个数和主题计数向量的编程 主题模型lda

LDA简介

在老师讲主题模型的时候看到这个LDA，刹时觉得很熟悉，在机器学习中，其实有两个LDA，一个是平时接触比较多的Linear Discriminant Analysis即线性判别分析，另一个便是这篇文章的主角Latent Dirichlet Allocation即隐含狄利克雷分布。

提出目的

用于推测文档（document）的主题分布，以及主题（topic）的词（word）分布；换个角度来说其实这个模型解决了文档和词汇的软聚类，即文档的主题分布概率可以当作文档聚类的指标，而词汇则归属于其隶属的主题而达到软聚类的效果。
从而用于大量文档没有人力分类的情况。

LDA模型的核心思想

引入

人们在写一篇文章时，肯定不是随意单词或语句的堆砌，而是有一个或多个核心主题，这也是主题模型的基本思想，即一个document并不是直接和word相关，而是一篇document有一个或多个topic，每个topic具有对应的主题单词分布（如凸优化topic，凸函数、凸集等单词分布较多），然后从这些分布中抽取单词形成一篇document，也就是说是这么的一个过程:
topic->word->document

生成文档

下面详细解释下LDA模型生成文档的过程：假设m篇文档，对应单词数n，主题数k（在训练过程中需提前制定，本文先不介绍训练过程，只介绍思想）

符号	含义
$\alpha$	文档-主题分布的超参数
$\theta_m$	文档m的主题分布
$z_{m,n}$	文档m第n个词的主题
$w_{m,n}$	文档m第n个词
$\beta$	主题-词语分布的超参数
$\varphi_k$	主题k的词分布

LDA采用的是贝叶斯派的思想，即认为主题分布和词分布都不是确定的，它们本身也服从一个分布。

具体语言描述步骤如下：
1.选择文档$d_m$；
2.以$\alpha$为超参数的Dirichlet分布采样生成文档$d_m$的主题分布$\theta_m$；
3.多项式主题分布$\theta_m$生成文档m第n个词的主题$z_{m,n}$；
4.以$\beta$为超参数的Dirichlet分布采样生成主题$\theta_m$的词语分布$\varphi_k$；
5.多项式分布$\varphi_k$采样生成文档m第n个词$w_{m,n}$；

需要注意的是，本篇文章讲述的是LDA正向生成文档的思想过程，是理解LDA模型训练的前提，笔者感觉训练的过程还是挺难的，如果只是想要了解的同学看本篇就好，想要深究的可以移步参考的文章。

LDA&矩阵分解

$X_{md}=S_{mk}·T_{kd}$
其中矩阵X，m行d列，每行为一篇文章，列代表单词；
矩阵S可以视为样本的新表示，每一行视为对应topic的系数；
矩阵T可以视为空间变换函数，每行视为一个topic；

等式右边的矩阵乘法即可以理解为一片文章是不同topic的线性组合，矩阵乘法相当于实现了k个topic线性组合的效果。

以这种角度，可以将topic模型视为对样本的学习和新表示，也可以视为一种降维。

参考：详解LDA