层次狄利克雷过程HDP（Hierarchical Dirichlet Processes）

HDP本质是一个聚类算法，自动决定聚类的个数。

HDP-HMM也是一个聚类算法，自动决定HMM的隐状态的个数，以每个隐状态作为一个聚类。

LDA是主题模型，可以被用作聚类算法。

HDP也是个主题模型。

The HDP  is an unsupervised non-parametric hierarchical Bayesian topic model and was
originally proposed for word-document analysis. It clusters the frequently co-occurring words
within the same documents into the same topics. Furthermore, different from the other clustering
topic models, such as LDA , HDP is able to automatically determine the number of clusters。

[1] M. Y. Yang, W. Liao, Y. Cao, and B. Rosenhahn, “Video event recognition and anomaly detection by combining gaussian process and hierarchical Dirichlet process models,” Photogramm. Eng. Remote Sensing, vol. 84, no. 4, pp. 203–214, 2018.

---

以下转自：https://blog.csdn.net/weixin_43166819/article/details/103595700

---

参考：【博客】、【博客】、【博客】

适合做数据的聚类，每个进餐厅的人选择一张桌子就坐，每个桌子有第一个人点一道菜以后所有这张桌子上的人共同享用，数据也是类似，对每个数据进入系统，选择一个新话题或者加入一个旧话题得概率表示。
参考论文：【分层 Dirichlet 过程及其应用综述】
DP解决一组数据的聚类，HDP分层DP解决多组数据得聚类问题。

---

以下转自：https://blog.csdn.net/caoeryingzi/article/details/5967093

该博客的博主据说是《分层Dirichlet过程及其应用综述》的作者。

既然我坚持了那么久，看懂了，把我博士工作耽误的其实也不少，也不算耽误，主要是基础差，这个算法又麻烦，所以一直看到现在也没出成果。我想如果当时有人能够指导我，告诉我这个很难，需要专业的理论背景等知识，我可能不会继续下去。而如果有人一起学习讨论，可能现在也会好多了。但是，这些都是假设，不是吗？

但是，既然做了，实现了，就还是要继续关注下去。

首先，HDP模型，不是万能的，但是至少目前在我看来是非常灵活的一个模型。从HDP延伸出来的模型，最著名的就是随着HDP引入作者介绍的HDP-HMM模型。这说明了，HDP不仅仅可以作为一个模型算法，而且还可以作为别的模型的先验分布而存在，这是HDP最有魅力的地方，我觉得。

我们知道，由于HDP模型可以生成聚类数目，因此，用到HMM上，HMM的聚类数目就可以不用人为输入了。

HDP模型的开始是用在文本处理中的，但是现在在图像视频处理中，应用尤其广泛。

在模型中，有几个特点，当然包括缺点。首先计算量太大，即使是变分解也需要很大的计算量。但是，HDP模型很美，再者能够生成聚类数目和完成数据建模，比较方便用于推断和预测等工作。

个人总结：HDP是聚类算法，自动决定聚类的个数。HMM是一个序列贝叶斯模型，需要指定状态的个数。HDP-HMM把二者结合，使HMM自动决定状态个数。