Gaussian LDA(1): LDA回顾以及变分EM
来源:互联网 发布:欧姆龙plc编程语言 编辑:程序博客网 时间:2024/05/17 02:18
Latent Dirichlet Allocation (LDA)是一个主题模型,能够对文本进行建模,得到文档的主题分布。常用的模型参数估计方法有Gibbs Sampling和Variational Inference,网上有非常多关于LDA的介绍,最为经典的例如Rickjin的《LDA数学八卦》。本文旨在推导变分EM的全部过程。
转载请注明出处:http://blog.csdn.net/u011414416/article/details/51168242
本文参考了Blei在2003JMLR上发表的LDA论文,Blei文中并没有关于对beta加了先验的情况进行推导。本文的推导基于smoothed LDA(即对主题-词分布beta也施加了Dirichlet先验eta)。如有错误,欢迎指正。
3 0
- Gaussian LDA(1): LDA回顾以及变分EM
- LDA的变分推断
- lda的变分推理
- Gaussian LDA(2): Gaussian LDA简介
- LDA模型解析(变分推断)
- LDA主题模型学习笔记3.5:变分参数推导
- LDA
- LDA
- LDA
- LDA
- LDA
- LDA
- LDA
- LDA
- LDA
- LDA
- LDA
- LDA
- 若你早知道这些,工作后就不会混成现在的样子!
- UI 开发
- HttpClient 教程
- 李航博士:浅谈我对机器学习的理解
- Python字符串
- Gaussian LDA(1): LDA回顾以及变分EM
- SuperMap
- 如何检测 51单片机IO口的下降沿
- 获取所有安装的apk详细信息及常规操作
- Android事件处理之回调事件
- Spring中父子容器的实现实例
- Python 练习实例27
- maven的setting 文件阅读
- drawcall优化