隱含狄利克雷分布

隱含狄利克雷分布（英語：Latent Dirichlet allocation，簡稱LDA），是一種主題模型，它可以將文檔集中每篇文檔的主題按照概率分布的形式給出。同時它是一種無監督學習算法，在訓練時不需要手工標註的訓練集，需要的僅僅是文檔集以及指定主題的數量k即可。此外LDA的另一個優點則是，對於每一個主題均可找出一些詞語來描述它。

LDA首先由 David M. Blei、吳恩達和邁克爾·I·喬丹於2003年提出，目前在文本挖掘領域包括文本主題識別、文本分類以及文本相似度計算方面都有應用。

數學模型

LDA貝斯網絡結構

LDA是一種典型的詞袋模型，即它認為一篇文檔是由一組詞構成的一個集合，詞與詞之間沒有順序以及先後的關係。一篇文檔可以包含多個主題，文檔中每一個詞都由其中的一個主題生成。它以概率分佈的形式揭示每個文檔集的主題，以便在分析一些文檔以提取其主題分佈後，可以根據主題分佈進行主題聚類或使用文本分類。每個主題都用一個詞分佈表示。

另外，正如Beta分布是二項式分布的共軛先驗概率分布，狄利克雷分布作為多項式分布的共軛先驗概率分布。因此正如LDA貝斯網絡結構中所描述的，在LDA模型中一篇文檔生成的方式如下:

• 從狄利克雷分布$\alpha$中取樣生成文檔$i$的主題分布$\theta _{i}$
• 從主題的多項式分布$\theta _{i}$中取樣生成文檔$i$中第$j$個主題$z_{i,j}$
• 從狄利克雷分布$\beta$中取樣生成主題$z_{i,j}$的詞語分布$\phi _{z_{i,j}}$
• 從詞語的多項式分布$\phi _{z_{i,j}}$中採樣最終生成詞語$w_{i,j}$

因此整個模型中所有可見變量以及隱藏變量的聯合分布是

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

最終一篇文檔的單詞分布的最大似然估計可以通過將上式的$\theta _{i}$以及$\Phi$進行積分和對$z_{i}$進行求和得到

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

根據$p(w_{i}|\alpha ,\beta )$的最大似然估計，最終可以通過吉布斯採樣等方法估計出模型中的參數。

使用吉布斯採樣估計LDA參數

在LDA最初提出的時候，人們使用EM算法進行求解，後來人們普遍開始使用較為簡單的Gibbs Sampling，具體過程如下：

• 首先對所有文檔中的所有詞遍歷一遍，為其都隨機分配一個主題，即$z_{m,n}=k\sim Mult(1/K)$，其中m表示第m篇文檔，n表示文檔中的第n個詞，k表示主題，K表示主題的總數，之後將對應的$n_{m}^{k}+1$，$n_{m}+1$，$n_{k}^{t}+1$，$n_{k}+1$，他們分別表示在m文檔中k主題出現的次數，m文檔中主題數量的和，k主題對應的t詞的次數，k主題對應的總詞數。
• 之後對下述操作進行重複迭代。
• 對所有文檔中的所有詞進行遍歷，假如當前文檔m的詞t對應主題為k，則$n_{m}^{k}-1$，$n_{m}-1$，$n_{k}^{t}-1$，$n_{k}-1$，即先拿出當前詞，之後根據LDA中topic sample的概率分布sample出新的主題，在對應的$n_{m}^{k}$，$n_{m}$，$n_{k}^{t}$，$n_{k}$上分別+1。

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

• 迭代完成後輸出主題-詞參數矩陣φ和文檔-主題矩陣θ

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

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

參見

• 萬能翻譯機
• 電腦語言學
• 受限自然語言
• 信息抽取
• 資訊檢索
• 自然語言理解
• 潛在語義索引
• 潛在語義學
• 隨機文法
• 機器記者
• 寫作自動評分
• 生物醫學文件探勘系統
• 複合詞處理
• 計算語言學
• 電腦輔助審查
• 深度學習
• 深度語言處理
• 輔助外文閱讀
• 輔助外文寫作
• 語言科技
• 隱含狄利克雷分布（LDA）
• 母語識別
• 自然語言編程
• 自然語言使用者界面
• 擴展查詢
• 具體化 (語言學)
• 語義折疊
• 語音處理
• 口語對話系統
• 校對
• 文字簡化
• Thought vector
• Truecasing
• 問答系統
• Word2vec