主题模型综述精梳版.ppt

下载文档

2
0
约小于1千字
约 14页
2020-06-06 发布于湖北
举报
版权申诉
保障服务

主题模型综述精梳版.ppt

1、本文档共14页，可阅读全部内容。
2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。

., ., ., ., ., 精选课件精选课件精选课件精选课件精选课件精选课件精选课件精选课件精选课件精选课件精选课件精选课件精选课件精选课件主题模型概述 THOMAS HOFMANN th@cs.brown.edu Department of Computer Science, Brown University, Providence, USA Unsupervised Learning by Probabilistic LatentSemantic Analysis ., * Content Latent semantic analysis(LSA) SVD Probabilistic latent semantic analysis(PLSA) Expect Maximum(EM) LDA(Latent Dirichlet Analysis) 各种变种及应用（扩展部分） ., * LSA 主要用于文本分析思想：找低阶的矩阵对terms-doc矩阵进行分解，得到doc的潜在语义可以处理多义词和同义词的问题求解方式：SVD（奇异值分解） ., * SVD奇异值分解词项文档矩阵做SVD分解求解方法：迭代法、并行方法、求NN’的特征值法 ., * PLSA Generate model 其中： P(di)：表示生成这篇文章的先验概率 P(zk|di)：表示在di这篇文章中选择主题zk的概率 P(wj|zk)：表示在Zk主题下选择单词wj的概率 ., * ., * 最大似然函数 ., * EM（期望最大化算法） EM算法的步骤是： (1)E步骤：求隐含变量Given当前估计的参数条件下的后验概率。 (2)M步骤：最大化Complete data对数似然函数的期望，此时我们使用E步骤里计算的隐含变量的后验概率，得到新的参数值。两步迭代进行直到收敛。 ., * 解决方法（MLE) ., * 拉格朗日乘子法 ., * ., ., ., ., ., 精选课件精选课件精选课件精选课件精选课件精选课件精选课件精选课件精选课件精选课件精选课件精选课件精选课件精选课件精选课件