Probabilistic Latent Semantic Analysis
PLSA来自于一篇1999年UAI的一篇文章,他研究的是一下概率图:
其中d表示document,z是隐变量,表示潜在的语义,w是表示词word。从独立性来看,这个图跟下面的图是等价的,都满足
d
⊥
w
∣
z
d\bot w|z
d⊥w∣z
所以在那篇原始论文中[1],求解模型的时候,直接求解了(b)模型。求解方法就是标准的EM方法(更多可看我的另一篇博客《带你理解EM算法》),其推导结果如下:
我们只要不停迭代更新这几个分布的参数直到收敛就可以了。
Latent Semantic Analysis
然而在传统的LSA中,其实是没有用到概率的,他们只看到D和W的,于是就组成一个二维矩阵,然后用SVD去分解他,如下图所示
这时候,我们可以对word以及document进行降维。现在其实我们可以对SVD赋予一个概率上的含义,如果我们令
P
=
p
(
w
,
d
)
P=p(w,d)
P=p(w,d),由word和document组成的概率分布,并设
U
=
(
p
(
w
i
∣
z
k
)
)
i
,
k
U=(p(w_i|z_k))_{i,k}
U=(p(wi∣zk))i,k,
V
=
(
p
(
d
j
∣
z
k
)
)
j
,
k
V=(p(d_j|z_k))_{j,k}
V=(p(dj∣zk))j,k,
Σ
=
d
i
a
g
(
P
(
z
k
)
)
k
\Sigma = diag(P(z_k))_k
Σ=diag(P(zk))k, 于是,
P
=
U
Σ
V
T
P=U\Sigma V^T
P=UΣVT。所以,PLSA本质上可以看做是在用EM算法迭代地去求解一个SVD分解。
反过来说,矩阵分解可以看做是求解图(b)那样的生成模型,通过找到一种隐式表征Z来构造出显式的数据W,D,而这跟PCA和Factor Analyic,VAE等生成模型如出一辙,非常有意思。
参考资料
[1] Hofmann, Thomas. “Probabilistic latent semantic analysis.” Proceedings of the Fifteenth conference on Uncertainty in artificial intelligence. Morgan Kaufmann Publishers Inc., 1999.