NLP13-LDA引发的一系活动

最新推荐文章于 2021-02-19 17:17:55 发布

happyprince

最新推荐文章于 2021-02-19 17:17:55 发布

阅读量394

点赞数 2

分类专栏： NLP 数学文章标签： nlp lda

本文链接：https://blog.csdn.net/ld326/article/details/78618979

版权

NLP 同时被 2 个专栏收录

79 篇文章 6 订阅

订阅专栏

数学

20 篇文章 3 订阅

订阅专栏

摘要：目标是想了解也学习LDA，寻找学习LDA相关资料，学习LDA相关的概率基础，对于LSI，pLsa,LDA作为主题模型的对比；然后到LDA本身，对LDA相关的概率基础进行学习。把相关资料疏理与集合起来。

1. 写在前面

对于概率的思考这一事件，源于LDA[Latent Dirichlet Allocation]的学习；LDA是文本的主题模型，有相关的包Ginsim或sklearn都可以实现LDA的使用，一个参数就可以实现一系列的功能了。不过，每次用，心中都会有有一个结：LDA究竟是什么？几次试着去学习LDA，扰乱人的是：Gama函数，Beta分布，Bayes，EM，Dirichlet, LSA, pLSA, svd, MCMC，多项分布，文章选择主题—主题选择词，先验，后验，似然…….好像有些把我弄乱了。静下心来分析因：基础不扎实！！！
学习就应该从宏观去把握【要有基础为前提】，LDA不是一个基础的东西，它是建立在基础的上层的应用，应该从同一层去分析它。NLP高层：文本预处理，分词，Bag-of-Words，语料向量表示，特征选择，特征抽取及特征抽取相模型，其中NLP主题模型就是NLP模型，例如LSI/LSA,pLSA,LDA。基于主题这一大思想，把歧义降下去，例如APPLE，是理解成一种水果还是手机呢？对于一个词，没有上下文怎么理解都不合适。但如果可以挖掘出Apple是水果为主题或者电子产品为主题会对文本理解就准确多了；另外还有一个问题，对于传统的向量模型，例如“小明打了小红。”建立向量后，词是不分先后的，就是BOW表示，机器理解起来有可能会是“小红打了小明。”。这是一系列的NLP问题….

2. LSI/LSA,pLSA,LDA关系

来自皮皮blog的《主题模型TopicModel：Unigram、LSA、PLSA模型》
http://blog.csdn.net/pipisorry/article/details/42560693的图，文章有相关推导。
这里写图片描述

3. LSI/LSA

如下的LSI/LSA陈述来“自笨兔勿应”《LSA，pLSA原理及其代码实现》
http://www.cnblogs.com/bentuwuying/p/6219970.html

LSA(latent semantic analysis)潜在语义分析，也被称为 LSI(latent semantic index)，是
Scott Deerwester, Susan T. Dumais 等人在 1990
年提出来的一种新的索引和检索方法。该方法和传统向量空间模型(vector space
model)一样使用向量来表示词(terms)和文档documents)，并通过向量间的关系(如夹角)来判断词及文档间的关系；不同的是，LSA
将词和文档映射到潜在语义空间，从而去除了原始向量空间中的一些“噪音”，提高了信息检索的精确度。

这里写图片描述
对于SVD的解释，来自beck_zhou的《LSA/PLSA》
http://blog.csdn.net/zhoubl668/article/details/7881318
标准的SVD可以写为

其中，U和V为正交矩阵，有：

sigma是包含N的所有奇异值的对角矩阵。LSA降维的方式就是只取最大的K个奇异值，而其他置为0，于是得到了共生矩阵的近似：
这里写图片描述
下图形象的展示了LSA的过程：

由LSA在训练集合上得到的参数，当一个新的文档向量到来时，我们可以利用下式将其原始term space映射到latent space:

4. pLSA
pLSA模型

pLsa求解两分布的推导，来自
http://blog.csdn.net/puqutogether/article/details/41720073
这里写图片描述

5. LDA

pLSA是由LSA到LDA的过度时期，LSA比较粗暴，没有太多的理论作为支撑，后来概率化到pLSA，研究人员，给它定义了模型，可是，对于一分布还未够准确，概率模型不够完备；后来引入了Byes的先验，诞生了LDA。
来自优酷的视频讲解笔记，http://v.youku.com/v_show/id_XMTI0ODI1MTIzNg==.html?spm=a2h0k.8191407.0.0&from=s1.8-1-1.2《LDA主题模型》：
012
这里写图片描述

来自Wiki的一张图：https://en.wikipedia.org/wiki/Latent_Dirichlet_allocation
这里写图片描述

LDA相对于pLsa增加了贝叶期的思想，Bayes在先验上做了文章，多项式分布的共轭先验Drichlet分布，通过alhpa或beta作为超参去控制。
从alhpa开始，它是一组超参，参数的个数一般会比先验分布的参数多，是Dirichlet分布的参数；alpha向量由我们给定的，当一组变量给定后，也就对于一篇文章确定了一个主题多项分布theta，对于主题分布上采样出一个主题Z，然后再来看一下beta，也是Dirichlet分布，beta也是一个向量，也是我们给定，当beta给定后，也就产生了一个结合刚才的主题Z的多项分布phi，从phi分布中采样，就出弄了词W，这样一个词就产生了，接着产生另一个词，重复Ni次；当一个文档生成后，再接着生成另外一个文档，如此重复M次，就形成了大语料。一句话，Drichlet分布是分布的分布，采样出来的是一个分布，后还要对这个分布采样一次才是值。

最后，形式化一下，LDA的主题模型为：
这里写图片描述
对Dirichlet想深入理解，请细看这个：http://www.datalearner.com/blog/1051459673766843
或者：http://i.youku.com/u/UMzIzNDgxNTg5Ng==/videos
Dirichlet Process是最流行的贝叶斯非参数模型；
6. LDA的基础总结
6.0 LDA缺点：由于lda采用了词袋的方法，将每一篇文档实为一个词频向量，从而将文本信息转换成为了易于建模的数字信息，但是却没有考虑词与词之间的顺序。（来自：http://blog.csdn.net/a123456ei/article/details/22767429）
6.1 一个函数
gamma函数–知道有这个函数存在就可以了；
6.2 四个分布
二项分布、多项分布、beta分布、Dirichlet分布 — 由于二项分布与beta分布推广到多项分布与Dirichlet分布；
6.3 一个概念
共轭先验—先验与似然函数作用后的后验与先验相同的分布形式【参数不同，不过参数会加入样本的计算】；
6.4 一个理念
贝叶斯框架—理解这个很重要，是贝叶斯的理念把多项分布与Dirichlet分而连起来的。
6.5 两个模型
pLSA、LDA【语言模型】，这个在前面已经有涉及到。
6.6 一个采样
Gibbs采样【MCMC—-MH—Gibbs】《LDA-math-MCMC 和 Gibbs Sampling(2)》http://www.52nlp.cn/lda-math-mcmc-%E5%92%8C-gibbs-sampling2
《MC, MCMC, Gibbs采样原理&实现》
http://blog.csdn.net/abcjennifer/article/details/25908495
6.7 一个变分：《变分推断（variational inference）》http://blog.csdn.net/u012436149/article/details/55000323；
6.8 相关思想最大似然MLE、最大后验估计MAP、EM
6.8.1 最大似然值定义
https://wenku.baidu.com/view/0c3fa28fa0116c175f0e48e2.html
这里写图片描述
6.8.2 最大似然思想
https://wenku.baidu.com/view/a9e790d528ea81c758f57866.html

6.8.3 最大似然步骤

6.8.4 最大似然例子

其实最大似然估计就是在给定一组数据和一个待定参数模型，如何确定这个模型未知参数，使得这个确定后的参数模型产生的已知数据概率最大。

在《最大似然估计（MLE）最大后验概率（MAP）
http://www.cnblogs.com/sylvanas2012/p/5058065.html》中，采用了一个例子去说明MLE与MAP的联系与区别；
一个概率模型有时候既含有观察变量，有含有隐变量。如果只有观察变量那么我们可以用最大似然法（或者贝叶斯）估计未知参数，但是如果还含有隐变量就不能如此简单解决了。这时候就需要EM算法。引用于《MLE MAP EM》
【http://www.cnblogs.com/GuoJiaSheng/p/3966812.html?utm_source=tuicool】
MAP与MLE最大区别是MAP中加入了模型参数本身的概率分布，或者说。MLE中认为模型参数本身的概率的是均匀的，即该概率为一个固定值。
引用《最大似然估计（MLE）和最大后验概率（MAP）》
https://www.cnblogs.com/ChengQH/p/e5dd604ee211533e50187c6fd37787bd.html

《LDA主题模型小结》http://blog.csdn.net/fengsser/article/details/52833284
EM推断：《（EM算法）The EM Algorithm》https://www.cnblogs.com/jerrylead/archive/2011/04/06/2006936.html
《EM算法》PPT
https://wenku.baidu.com/view/3396bb4d6294dd88d0d26bee.html

【内容整合，http://blog.csdn.net/ld326/article/details/78618979】