主題模型
主題模型
主題模型（topic model）是以非監督學習的方式對文集的隱含語義結構（latent semantic structure）進行聚類（clustering）的統計模型。
主題模型主要被用於自然語言處理（Natural language processing）中的語義分析（semantic analysis）和文本挖掘（text mining）問題，例如按主題對文本進行收集、分類和降維；也被用於生物信息學（bioinfomatics）研究。隱含狄利克雷分佈Latent Dirichlet Allocation, LDA）是常見的主題模型。
對主題模型的研究最早來自1998年Christos H. Papadimitriou、Prabhakar Raghavan、Hisao Tamaki和Santosh Vempala提出的潛在語義索引（Latent Semantic Indexing, LSI） 。1999年，Thomas Hofmann提出了概率性潛在語義索引（Probabilistic LST, PLST） 。
2003年，David M.Blei、Andrew Ng和Jordan I. Michael提出了隱含狄利克雷分佈（Latent Dirichlet Allocation, LDA） 。LDA得到了廣泛使用，並衍生出了很多改進版本，例如在2006年由Wei Li和Andrew McCallum提出的彈珠機分佈模型（pachinko allocation model） 。
在主題模型中，主題（topic）是以文本中所有字元為支撐集的概率分佈，表示該字元在該主題中出現的頻繁程度，即與該主題關聯性高的字元有更大概率出現。在文本擁有多個主題時，每個主題的概率分佈都包括所有字元，但一個字元在不同主題的概率分佈中的取值是不同的。一個主題模型試圖用數學框架來體現文檔的這種特點。主題模型自動分析每個文檔，統計文檔內的詞語，根據統計的信息來斷定當前文檔含有哪些主題，以及每個主題所佔的比例各為多少。
舉例而言，在“狗”主題中，與該主題有關的字元，例如“狗”、“骨頭”等詞會頻繁出現；在“貓”主題中，“貓”、“魚”等詞會頻繁出現。若主題模型在分析一篇文章后得到10%的“貓”主題和“90%”的狗主題，那意味著字元“狗”和“骨頭”的出現頻率大約是字元“貓”和“魚”的9倍。