yueliangku的专栏

因为原文偶尔会出现访问不了的情况，所以特拷贝于此。原文链接：http://www.wbrecom.com/?p=136                                                              @吴宇WB        【前言】

原文链接：http://blog.csdn.net/zhoubl668/article/details/8959467一开始直接就下了Blei的原始的那篇论文来看，但是看了个开头就被Dirichlet分布和几个数学公式打倒，然后因为专心在写项目中的具体的代码，也就先放下了。但是因为发现完全忘记了本科学的概率和统计的内容，只好回头去

原文链接：点击打开链接首先，我以前总结过，关于北邮一个人写的导读，连接在这里。肯定得看Blei 2003年的论文，点击下载。然后很重要的Blei的视频和一个80多页的Lecture。Topic ModelsLatent Dirichlet Allocation(LDA) [pdf]模型是近年来提出的一种具有

原文链接：http://yinwenpeng1987.blog.163.com/blog/static/162471582201121210828165/____http://sy95122.blog.163.com/blog/static/3601615920101024111530459/ 关键所在：it posits that ea

原文链接：http://blog.csdn.net/pirage/article/details/9467547LDA理论David M. Blei, Andrew Y. Ng, and Michael I. Jordan. Latent dirichlet allocation. J. Mach. Learn. Re

原文链接：通俗理解LDA主题模型还是尽量查看原文吧目录(?)[-]通俗理解LDA主题模型前言gamma函数整体把握LDAgamma函数beta分布beta分布Beta-Binomial 共轭共轭先验分布从beta分布推广到Dirichlet 分布Dir

原英文链接：Latent Semantic Analysis (LSA) Tutorial - Part 1 - Creating the Count MatrixLSA的第一步是建立标题（或文档）词矩阵。在该矩阵中，每个索引词是一行，每个标题是一列。矩阵中的每个值表示该词在该标题中的出现次数。比如在下图中，单词“book”在T3和T4中各出现1次，而单词“investing”在每个标

源英文链接 Singular Value Decomposition (SVD) TutorialPage1当你浏览诸如 Singular Value Decomposition (SVD) on Wikipedia之类的网络资源时，你会发现很多等式，但是对于什么是SVD和它是如何工作的并没有一个直观的解释。SVD是将矩阵分解为一系列线性近似，以挖掘该矩阵隐藏结构的一种算法。SVD

这几天在做短文本主题发现时，考虑使用聚类算法不同一主题的文本聚集到一块，因此读了这篇论文：A Dirichlet Multinomial Mixture Model-based Approach for Short Text Clustering在该文中，作者使用“a collapsed Gibbs Sampling algorithm for the Dirichlet Multinom

原文链接：原文1 LSA IntroductionLSA(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

原文链接：http://www.wbrecom.com/?p=48这里有个“道术孰优”的问题，何为“道”？何为“术”？举个例子的话，《孙子兵法》是道，而《三十六计》则为术。“道”所述，是宏观的、原理性的、长久不变的基本原理，而“术”则是在遵循基本原理基础上的具体手段和措施，具有易变性。技术也是如此，算法本省的细节是“术”，算法

原文链接：http://www.wbrecom.com/?p=80 “We are leaving the age of information and entering the age of recommendation” — Chris Anderson in The Long Ta

原文链接：http://blog.csdn.net/zhoubl668/article/details/8959940/* * (C) Copyright 2005, Gregor Heinrich (gregor :: arbylon : net) (This file is * part of the org.knowceans ex