数据挖掘（一）主题模型（Topic Modeling）

数据挖掘（一）主题模型（Topic Modeling）

1. 主题建模的目的

从文档集合中自动地找出一系列的主题（topics），每个文档集内可能有多个主题；

主题：由众多词汇的概率分布（distribution）组成；

常用模型：LDA, pLSA， pLSI等，是一种无监督的学习过程；

Input： An unorganized collection of documents;
Output: An organized collection of topics;

在生活中，完成文档的过程是：首先确定这篇文章的中心思想（topic），然后根据topics，产生一个个词语（words），最终形成文档。主题模型的过程与之相反，通过文档形成词袋，再由词袋生成topic。下图显示的是一个主题模型的简单示例，输入为两个文档，输出为5个topic，每个topic分别由多个词组成；

2. 预备数学知识

2.1 Bernoulli distribution

伯努利分布：当N=1时的二项分布的特殊情况；

2.2 Binomial distribution

二项分布：类似于多次抛掷硬币；

2.3 Categorical distribution

分类分布：抛掷一次多面骰子，$p_1+p_2+p_3+......+p_n=1$

$p(x)=[x=1]p_1+[x=2]p_2+[x=3]p_3+......+[x=6]p_6$