文本挖掘与分析课程笔记_Week3
第三周笔记
概率主题模型:混合一元语言模型
- 用两个词分布来表示,以此去除背景词(常见但意义不大的词)
- θd表示主题词分布
- θB表示背景词分布
- 文本中某个词的概率计算
混合两个一元语言模型(解析)
- 利用最大似然求解混合两个一元语言模型时,θd和θB会出现“合作”和“竞争”
- 在θB(背景词)分布中,概率大的词,相对地在θd(主题词)中概率会变小
- 某个词出现的次数越多,那么它在θd中的概率越高
- 假设【所有参数已知】求某个词,其来自主题词的概率公式(z为隐变量,当z为1是表示该词来自背景词)
最大期望算法 Expectation-Maximization(EM)
- 给p(w|θd)随机初始化一个值,通过E-step和M-step计算,使初始值改变,逐渐逼近最佳值(局部最优值)
- E-step是用附加信息来支持数据,像z(E-step用来计算lower bound的)
- M-step是用附加信息来分开数据,分隔数据账目并收集正确的数据账目,重新估计参数(M-step用来提升,最大化下界)
- EM算法的解释(像爬山,最终会收敛于一个局部最优)
- - - - - 1.糟糕的初始值可能会得不到全局最优
概率隐语义分析 Probabilistic Latent Semantic Analysis(PLSA)
- 混合一元语言模型有多个(k个)主题分布的情况(注意参数λ和π)
- 参数解析
- 参数计算(最大似然函数)
- 最大似然难求解,可用EM算法,同理有E-step和M-step
潜在利克雷分布 Latent Dirichlet Allocation(LDA)
- 最大后验概率估计
- PLSA的一些缺点
- - - - - 1.不是一个生成模型,即无法计算新文档的概率
- - - - - 1.参数过多,使得计算过程复杂
与PLAS相比,LDA所做出的改进
似然函数的调整