隐含狄利克雷分布

隐含狄利克雷分布（英语：Latent Dirichlet allocation，简称LDA），是一种主题模型，它可以将文档集中每篇文档的主题按照概率分布的形式给出。同时它是一种无监督学习算法，在训练时不需要手工标注的训练集，需要的仅仅是文档集以及指定主题的数量k即可。此外LDA的另一个优点则是，对于每一个主题均可找出一些词语来描述它。

LDA首先由 David M. Blei、吴恩达和迈克尔·I·乔丹于2003年提出，目前在文本挖掘领域包括文本主题识别、文本分类以及文本相似度计算方面都有应用。

数学模型

LDA贝斯网络结构

LDA是一种典型的词袋模型，即它认为一篇文档是由一组词构成的一个集合，词与词之间没有顺序以及先后的关系。一篇文档可以包含多个主题，文档中每一个词都由其中的一个主题生成。它以概率分布的形式揭示每个文档集的主题，以便在分析一些文档以提取其主题分布后，可以根据主题分布进行主题聚类或使用文本分类。每个主题都用一个词分布表示。

另外，正如Beta分布是二项式分布的共轭先验概率分布，狄利克雷分布作为多项式分布的共轭先验概率分布。因此正如LDA贝斯网络结构中所描述的，在LDA模型中一篇文档生成的方式如下:

• 从狄利克雷分布$\alpha$中取样生成文档$i$的主题分布$\theta _{i}$
• 从主题的多项式分布$\theta _{i}$中取样生成文档$i$中第$j$个主题$z_{i,j}$
• 从狄利克雷分布$\beta$中取样生成主题$z_{i,j}$的词语分布$\phi _{z_{i,j}}$
• 从词语的多项式分布$\phi _{z_{i,j}}$中采样最终生成词语$w_{i,j}$

因此整个模型中所有可见变量以及隐藏变量的联合分布是

$p(w_{i},z_{i},\theta _{i},\Phi |\alpha ,\beta )=\prod _{j=1}^{N}p(\theta _{i}|\alpha )p(z_{i,j}|\theta _{i})p(\Phi |\beta )p(w_{i,j}|\phi _{z_{i,j}})$

最终一篇文档的单词分布的最大似然估计可以通过将上式的$\theta _{i}$以及$\Phi$进行积分和对$z_{i}$进行求和得到

$p(w_{i}|\alpha ,\beta )=\int _{\theta _{i}}\int _{\Phi }\sum _{z_{i}}p(w_{i},z_{i},\theta _{i},\Phi |\alpha ,\beta )$

根据$p(w_{i}|\alpha ,\beta )$的最大似然估计，最终可以通过吉布斯采样等方法估计出模型中的参数。

使用吉布斯采样估计LDA参数

在LDA最初提出的时候，人们使用EM算法进行求解，后来人们普遍开始使用较为简单的Gibbs Sampling，具体过程如下：

• 首先对所有文档中的所有词遍历一遍，为其都随机分配一个主题，即$z_{m,n}=k\sim Mult(1/K)$，其中m表示第m篇文档，n表示文档中的第n个词，k表示主题，K表示主题的总数，之后将对应的$n_{m}^{k}+1$，$n_{m}+1$，$n_{k}^{t}+1$，$n_{k}+1$，他们分别表示在m文档中k主题出现的次数，m文档中主题数量的和，k主题对应的t词的次数，k主题对应的总词数。
• 之后对下述操作进行重复迭代。
• 对所有文档中的所有词进行遍历，假如当前文档m的词t对应主题为k，则$n_{m}^{k}-1$，$n_{m}-1$，$n_{k}^{t}-1$，$n_{k}-1$，即先拿出当前词，之后根据LDA中topic sample的概率分布sample出新的主题，在对应的$n_{m}^{k}$，$n_{m}$，$n_{k}^{t}$，$n_{k}$上分别+1。

$p(z_{i}=k|z_{-i},w)$∝$(n_{k,-i}^{(t)}+\beta _{t})(n_{m,-i}^{(k)}+\alpha _{k})/(\sum _{t=1}^{V}n_{k,-i}^{(t)}+\beta _{t})$

• 迭代完成后输出主题-词参数矩阵φ和文档-主题矩阵θ

$\phi _{k,t}=(n_{k}^{(t)}+\beta _{t})/(n_{k}+\beta _{t})$

$\theta _{m,k}=(n_{m}^{(k)}+\alpha _{k})/(n_{m}+\alpha _{k})$

参见

• 万能翻译机
• 电脑语言学
• 受限自然语言
• 信息抽取
• 资讯检索
• 自然语言理解
• 潜在语义索引
• 潜在语义学
• 随机文法
• 机器记者
• 写作自动评分
• 生物医学文件探勘系统
• 复合词处理
• 计算语言学
• 电脑辅助审查
• 深度学习
• 深度语言处理
• 辅助外文阅读
• 辅助外文写作
• 语言科技
• 隐含狄利克雷分布（LDA）
• 母语识别
• 自然语言编程
• 自然语言使用者界面
• 扩展查询
• 具体化 (语言学)
• 语义折叠
• 语音处理
• 口语对话系统
• 校对
• 文字简化
• Thought vector
• Truecasing
• 问答系统
• Word2vec