LDA终极分析
2024-09-01 18:54:32
http://www.cnblogs.com/pinard/p/6867828.html
http://www.52nlp.cn/lda-math-mcmc-和-gibbs-sampling2
http://www.52nlp.cn/lda-math-mcmc-和-gibbs-sampling1
相当于pai(i)P(i->j) = pai (j) P(j->i)
在LDA中i,j都是三维的,m,n,k表示第k篇文章的第n个词汇属于第k个主题;
因为我们实际相求的是m&n&k这个最终的联合分布采样,直到Gibbs采样收敛到一个状态,就是最终的状态,我们取k就是最终的对应主题
所以为了求解LDA,我们需要求出p(K/M,N)的概率密度,这个就是转移矩阵,而拥有转移矩阵后,我们刚开始随机初始化每个词的主题,
最终根据转移矩阵收敛的P才是最终的。
最新文章
- Android 在线订单倒计时设计
- [LintCode] Best Time to Buy and Sell Stock 买卖股票的最佳时间
- jQuery实现图片伦播效果(淡入淡出+左右切换)
- hdu 3478(判断奇环)
- Unity5.0 手动激活
- 如何管理你的 Javascript 代码
- 7 -- Spring的基本用法 -- 12...
- Maven的安装和使用
- 【渗透课程】第二篇上-http请求协议的简单描述
- 201521123084 《Java程序设计》第13周学习总结
- R语言-广义线性模型
- 关于使用Mybatis的使用说明(一)【未完善待更新】
- High Executions Of Statement ";delete from smon_scn_time...";
- linux目录2
- java十进制转三十六进制
- windows系统-phpstudy升级mysql8.0.12安装教程及修改密码和安装注意事项
- es6中...是什么意思。
- 【SpringBoot】Logback日志框架介绍和SpringBoot整合实战
- 资产管理平台 glpi
- spark 关联source