无监督-主题模型(TM)/隐语义模型(LFM)（三）：pLSA算法(概率潜在语义分析)【有向图模型，将主题作隐变量，构建贝叶斯网，用EM算法估计模型参数】【pLSA属于LSA到LDA的过渡，很少使用】

“主题模型”与“隐语义模型”的关系：

在项亮的《推荐系统实战》中曾提到：隐语义模型（Latent-Factor Model，以下简称LFM）的算法最早是在文本挖掘领域被提出来的，用于找出文本的隐含语义。而在文本挖掘领域，主题模型（Topic Model，以下简称TM）正是用于找出文本中的隐含主题。由此可以推断LFM是由TM演变而来，TM是文本挖掘领域的专有名词，而LFM是推荐系统领域的专有名词，但其算法思想却是一致的。

一、

pLSA是用一个生成模型来建模文章的生成过程。

• 假设有K个主题，M篇文章；对语料库中的任意文章d，假设该文章有N个词，则对于其中的每一个词，我们首先选择一个主题z，然后在当前主题的基础上生成一个词w。
• 生成主题z和词w的过程遵照一个确定的概率分布。
  • 设在文章 $d$ 中生