一种基于密度的自适应最优LDA 模型选择方法.doc

一种基于密度的自适应最优LDA模型选择方法 曹 娟1),2),3) 张勇东1),2) 李锦涛1),2) 唐 胜1),2) 1) 中国科学院计算技术研究所 虚拟现实技术实验室，北京 100190 2) 中国科学院计算技术研究所 智能信息处理重点实验室，北京 100190 3) 中国科学院研究生院 北京 100049 摘 要 主题模型（Topic models）被广泛应用在信息分类和检索领域。这些模型通过参数估计从文本集合中提取一个低维的多项式分布集合，用于捕获词之间的相关信息，称为主题(Topic)。针对模型参数学习过程对主题数目的指定和主题分布初始值非常敏感的问题，我们用图的形式阐述了Latent Dirichlet Allocation(LDA)模型中主题产生的过程，提出并证明当主题之间的相似度最小时，模型最优的理论。并基于该理论，提出了一种基于密度的自适应最优LDA模型选择方法。实验证明该方法可以在不需要人工调试主题数目的情况下，用相对少的迭代，自动找到最优的主题结构。 关 键 词 主题模型； 主题； LDA； 密度 A Method of Adaptively Selecting Best LDA Model Based on Density Juan Cao1),2),3) Yongdong Zhang1),2) Jintao Li1),2) Sheng Tang1),2) 1)Virtual Reality Laboratory, Institute of Computing Technology, Chinese Academy of Sciences, Beijing, 100190 2) Key Laboratory of Intelligent Information Processing, Institute of Computing Technology, Chinese Academy of Sciences, Beijing, 100190 3)Graduate School of the Chinese Academy of Sciences, 100049 Abstract. Topic models have been successfully used to information classification and retrieval. These models can capture word correlations in a collection of textual documents with a low-dimensional set of multinomial distribution, called “topics”. It is important but difficult to select an appropriate number of topics for a specific dataset. In this paper, we propose a theorem that the model reaches optimum as the average similarity among topics reaches minimum, and based on this theorem, we propose a method of adaptively selecting the best LDA model based on density. Experiments show that the proposed method can achieve performance matching the best of LDA without manually tuning the number of topics. Keywords: topic model； topic； LDA；density1 引 言 统计主题模型（Statistical Topic Models）近年来得到了非常广泛的应用，包括在文本分类，信息检索等领域取得了非常好的应用效果[1][2][3][4][5][7]。给定一个文档集合，主题模型通过参数估计寻找一个低维的多项式分布集合，每个多项式分布称为一个主题（Topic），用来捕获词之间的相关信息。主题模型可以在不需要计算机真正理解自然语言的情况下，提取可以被人理解的，相对稳定的隐含语义结构，为大规模数据集中的文档寻找一个相对短的描述。 统计主题模型的思想最早来源于隐含语义索引（Latent Semantic Indexing，LSI）[6]。其工作原理是利用矩阵理论中的“奇异值分解（SVD）”