|
用上述的计算出来的话0.0*0.5=0.0，而我们统计出来是0.5啊，这不对，我们再试试别的主题，比如T2，这么算出来0.33*0.5=0.165，也不对啊，但比T1好像要靠谱一点，那我们按照这个调整一下上面两个表格的数字吧，比如把那个0.0改成0.2之类的（具体怎么调？呵呵呵，靠说人话我说不出来了，看后面的链接吧）。
这么一个一个词下来，上面两个表格就在不断更新，然后我们一遍一遍的循环迭代，直到上面两个表格能满足所有文档所有词要求了就结束了。放心，不会死循环的。这么一轮下来，就得到了两个表格了。这两个表格就是我们的LDA模型了。
新来的文章我们要对这篇文章进行分类的话，先统计出P(W(词)|D(文章))，然后用P(W(词)|D(文章))去除以P(W(词)|T(主题)) ，就得到了这篇文章所属的每个主题的概率了。
然后我们还可以把新文章也放进模型中继续训练，然后又得到一个更新了的表格，这样不断有文章进来，表格就不断变化了。好了，说完了，在没有一个公式的情况下我只能说到这了，实际的LDA还是有非常大的差距的，如果大家感兴趣，可以看看下面几篇文章：
http://www.52nlp.cn/%E8%BD%AC%E8%BD%BD-topic-modeling-made-just-simple-enough
http://emma.memect.com/t/9756da9a47744de993d8df13a26e04e38286c9bc1c5a0d2b259c4564c6613298/LDA 《LDA数学八卦》
http://yuedu.baidu.com/ebook/d0b441a8ccbff121dd36839a?pn=3&pa=3 《LDA漫游指南》
如果你看了还是没有懂，或者你完全看不懂上面的文章，那么回头去看看高数，概率论吧，我只能帮到这了，但是不懂没关系，你也可以玩LDA，我后面的文章会有工程化的例子，不用懂也行。主题模型除了LDA还有很多其他的，比如LSI，虽然最后结果也比较靠谱，但是他的可解释性就不强了，我也没法用说人话的方式描述出来了。主题模型这种东西是基于大规模的语料的情况下才有效果，而且主题的设定个数也是个经验值，据传说300个主题是个比较合适的值，但是具体合适不合适需要根据你自己的情况是测试，然后找到一个你认为合适的主题数。2. 词向量
最后简单的说一下目前也用得比较多的词向量，就是word2vector了，光有了主题模型很多人还是不满足，他们还想知道词与词之间的关系，人为的表示也就是近义词了，但是词向量能解决的可远远不是近义词同义词了，比如给一堆微博的语料丢给word2vec来训练，他可以找出来范冰冰和李晨这两个词有关系，然后我们发挥一下，如果你有个推荐系统，按照文本相关性去推荐内容，发现没有太相关的推荐结果，这时候你就可以用word2vec扩展你的词了，然后用扩展的词去推荐东西了，比如用范冰冰的新闻推荐出李晨的新闻来，当然这只是举个例子啊，我暂时还没看到有地方这么来做推荐。词向量也就是用一个向量来表示一个词，比如一个词北京，还有三个维度分别是大学，北方，首都，我们把北京用向量表示成[0,9,0.5,1]，那么这个词有3个维度，这三个维度的意义是什么呢？可以解释成北京这个词啊是大学的概率是0.6，他在北方的概率是0.5，他是首都的概率是1，是不是和上面的分类很相似啊，如果每个词都可以这么表示的话，那么两个词之间的相似度就是这两个向量之间的距离了，和上一篇的向量空间一样，那么如何来求一个词的向量呢？其实也可以按照上面的LDA的方式分类来求，呵呵，但我们不这么来。还是按照上面那个例子来看看，你看到范冰冰这个词，为什么你觉得他和李晨会相似呢？我们知道的是他们是夫妻所以才相似，为什么知道他们是夫妻呢？因为新闻的文章中这两个词老是出现在一起，要不就是在一句话中或者在一段话中，所以冥冥之中我们觉得他们是有相似性的，好吧，就是这个冥冥之中怎么让机器知道，有个东西叫神经网络，最会冥冥之中，因为他冥冥之中想出来的东西你解释不了，但又好像也能说得过去。好，那么我们来看看机器怎么弄的。
（编辑：淮北站长网）
【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!
|
