本文介绍了DPMM（Dirchlet Process Mixture Model）和HDP（Hierarchical Dirchlet Process）两种非参数贝叶斯模型。DPMM通过Dirchlet过程生成无限维分布，用于数据建模。HDP在此基础上增加一层，使得不同子分布共享相同的定义域，具有更强的泛化能力，适用于多文档集合分析。HDP的Chinese Restaurant Franchise比喻帮助理解模型背后的随机过程。
图1： DPMM(Dirchlet process mixture model)
以上为DP对应的图模型，基本分布为G0，这里假设是一个高斯模型（可以是连续或者离散），
G~DP（/alpha0, G0）,G为随机生成的一个DP，构造的过程即为参见前一篇博客中的Strick break过程。可以看出，G为一个离散的无限维分布（也就是随机过程）
/thetai ~G，这个抽取过程可以参见前文中的polya urn或者CRP，这里每个theta值即为对应球的颜色，当然也可以对应于多维随机变量
xi~P（/thetai）,就是根据一组参数生成对应分布的过程了
可以对比一下LDA。当然这里只对应于单个文档的情况，LDA其实更类似于以下的HDP
在http://blog.csdn.net/windows2/article/details/10426383对应的LDA图中，
G相当于LDA中的/theta，/theta相当于LDA中的Zm,n(或者对应的参数/phi_z), xi相当于LDA中的wm,n.
最低0.47元/天 解锁文章
4243
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
